研究：视频世界模型动作相关性源于时序预训练

Jewon Yeom 等作者发表的一项基于统一探针的评估研究提出，视频世界模型潜空间中的动作相关结构主要由时序视频预训练驱动，而非像素重建保真度。 该研究比较了纯图像自监督、带或不带潜空间预测的视频预训练、基于重建的自编码器、扩散模型和 shortcut-forcing 动力学模型等多种编码器。结果显示，像素解码质量强的模型，其动作可恢复性可接近零；而经视频预训练的自监督编码器在视觉保真与动作预测之间取得最佳 Pareto 权衡。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。