通过记忆搜索的零样本世界模型

arXiv 25.10 2025 60.7 method

TLDR

提出一种基于相似性搜索和随机表示的零样本搜索式世界模型，性能与训练模型相当，长时域预测更强。

评分理由

The paper introduces a novel training-free world model via memory search, showing competitive results against PlaNet, especially in long-horizon dynamics. However, it only compares with one baseline and lacks real-world validation, limiting generalizability.

Read-first 评分解释

综合优先阅读分 60.7，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 52。

近期性 8%

86.7

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：2025

主题相关性 42%

74.3

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 25%

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、结果

可复现性 25%

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

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：371。

关键词评分

world model

world dynamics prediction

model-based reinforcement learning world model

generative world model

world simulator

video world model

interactive world model

深度分析

创新点

通过记忆搜索的零样本世界模型，无需训练
利用相似性搜索和随机表示来近似转移动态
展示了与基于训练的世界模型相比更强的长时域预测性能

方法

本文提出了一种世界模型，利用相似性搜索和随机表示来近似环境动态，无需任何训练过程。它与PlaNet（Dreamer家族中一个成熟的世界模型）进行比较，在潜在重建质量、重建图像的感知相似性以及下一步和长时域动态预测方面进行评估，涵盖视觉上多样的环境。

关键结果

基于搜索的世界模型在下一步和长时域预测上达到了与基于训练的PlaNet相当的性能，并且在一系列视觉上不同的环境中，在长时域预测方面表现出更强的性能。

资源

论文