X-Foresight: 通过预测世界建模的联合视觉-动作因果预测网络

arXiv 2026 58.3 method

TLDR

X-Foresight通过分块自回归和课程学习将预测世界模型集成到VLA中，实现联合视觉-动作因果预测。

评分理由

The paper proposes a novel chunk-wise autoregressive strategy to address video token redundancy and the temporal dilemma in world modeling, with curriculum learning and temporal importance sampling. However, the abstract lacks explicit mention of real-world experiments or empirical evaluations, limiting evidence of practical validation.

Read-first 评分解释

综合优先阅读分 58.3，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 51。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

85.8

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.85792611

主题相关性 29%

72.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、实验

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：430。

关键词评分

world model

video world model

world dynamics prediction

generative world model

interactive world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

长程分块自回归策略：预测语义上相距较远的块而非相邻帧，避免琐碎外推，同时保留块内密集帧用于瞬时动态和块间稀疏过渡用于长期因果
课程学习调度：逐步扩展预测范围并稳定长程训练
时间重要性采样：根据自我运动和行为信号，将监督集中在安全关键块上
基于扩散的多视图渲染器用于逼真合成

方法

X-Foresight将预测世界模型直接集成到视觉-语言-动作（VLA）架构中，用于联合世界建模和实时动作控制。它采用长程分块自回归策略预测语义上相距较远的块，使用课程学习扩展预测范围，并应用时间重要性采样聚焦于安全关键块。基于扩散的多视图渲染器处理逼真的视频合成。

关键结果

X-Foresight在规划性能上显著优于VLA基线，同时保持强大的生成保真度，为世界知识驱动的自主系统建立了稳健的范式。

技术栈

Vision-Language-Action (VLA)Diffusion-based multi-view rendererChunk-wise auto-regressiveCurriculum learningTemporal importance sampling

资源

论文