世界模型

本文介绍M4World，一种基于DiT的多视角多模态驾驶世界模型。针对现有模型在物体级细粒度可控性和长时程生成稳定性上的不足，M4World通过融合3D几何、语义、图像描述和文本属性的控制接口，实现了空间布局与视觉外观的双重控制。训练采用五阶段配方，包括双向中期训练、教师强制因果适应、四步学生ODE初始化、自强制非对称DMD及迭代长视频微调，支持4步自回归流式生成。实验显示，在10秒视频上FID为34.8，FVD为288.7，优于MagicDriveV2。在60秒长视频生成中，通过潜在上下文刷新保持稳定性。针对“运载树木的卡车”长尾场景，通过LoRA少样本适配，使BEV检测Recall从1.0

本文介绍FlowWAM，一种将光流作为统一动作表示的世界动作模型。通过双流扩散Transformer，模型在策略模式下联合生成RGB与光流，并通过动作专家解码执行；在世界模型模式下，以目标光流为条件生成未来帧。实验显示，FlowWAM在RoboTwin 2.0仿真基准Clean设置下成功率达92.94%，在WorldArena基准上EWMScore达63.71，并在真实Franka与ARX机器人上优于基线。需注意光流提取的计算开销及HSV编码的归一化敏感性。

本文提出CD-LAM框架，针对潜在动作模型（LAM）中动作无关视觉因素泄露导致的动作跟随性差问题，引入基于因果的去偏目标进行微调。实验显示，该方法在2B和14B模型上显著降低FDCE（前景位移切弗距离误差），并在AgiBot真实机器人数据集上实现12倍以上的适应效率提升。需注意，高PSNR不保证良好的动作跟随性，FDCE是更可靠的评估指标。

长视界世界模型可能只会做平滑的运动学外推，并未理解摩擦等动力学变化。论文提出iKCE和扰动扫描进行测试时诊断。本期分析摩擦无感、关节噪声阳性对照和消融结果，也说明低iKCE不能直接等同于动力学正确。

RynnWorld-Teleop让人手姿态驱动动作条件世界模型，生成带动作标签的机器人第一视角训练视频。本期解释深度感知骨架、流式自回归蒸馏和真实机器人策略实验，同时关注合成动力学误差与Sim2Real边界。