全球首个，连续时间具身世界模型！任意帧率自由生成

📌 一句话摘要

清华 AIR 与伯克利 BAIR 联合提出 ODEWorld，首个连续时间具身世界模型，通过 PT-Flow 学习潜空间速度场实现任意帧率生成、时间补全与反向推演，在 LIBERO 基准上以单 Token 极致压缩达成 SOTA 预测质量与 55 倍推理加速。

📝 详细摘要

文章详细介绍了清华大学智能产业研究院（AIR）与 UC Berkeley BAIR 团队最新发布的 ODEWorld——全球首个连续时间具身世界模型。针对传统离散视频世界模型仅能固定帧率预测、难以处理帧间关键动态及缺帧恢复的痛点，ODEWorld 提出 Physical-Time Flow（PT-Flow）范式：不再预测下一帧，而是学习潜状态对物理时间的导数（速度场），再通过 ODE 求解器积分获得连续轨迹。核心技术创新包括：1）静动态解耦，冻结 DINOv2 提取静态特征，仅用 1×768 单 Token 建模动态变化，实现极致压缩；2）引入 JVP（雅可比向量积）直接监督一阶时间导数，有效避免表征坍缩，有效秩显著高于 V-JEPA 2；3）采用 Savitzky-Golay 滤波平滑视觉编码噪声，获得稳定的物理速度监督信号。训练完成后，同一速度场统一支撑任意时间分辨率生成、缺帧时间补全、反向生成三大能力。实验显示，在 LIBERO 64 帧长程预测中，ODEWorld 以 0.072 秒延迟（LDP 的 1/55）同时取得更优 PSNR/LPIPS，验证了连续建模在具身智能中的高效与有效性。文章最后指出，这一工作将世界模型学习目标从「离散映射」转向「连续变化率」，更贴合机器人交互的物理本质。

💡 主要观点

- 提出首个连续时间具身世界模型 ODEWorld，核心范式 PT-Flow 学习潜空间速度场而非离散帧映射。 传统模型绑定固定时间步长，无法处理帧间动态与缺帧。ODEWorld 通过神经 ODE 建模状态对物理时间的导数，利用 RK4 等求解器积分，原生支持任意帧率采样、时间补全与反向生成。

静动态解耦与单 Token 极致压缩：冻结 DINOv2 编码静态背景，动态编码器仅输出 1×768 Token 建模变化量。 静态信息从参考帧获取，动态 Token 只编码相对变化，将速度场参数化为轻量三层 MLP。这种解耦使有效秩达 425.2（高于 DINOv2 与 V-JEPA 2），避免了背景噪声淹没动态信号。

创新采用 JVP 直接监督一阶时间导数，配合 Savitzky-Golay 滤波消除视觉编码高频抖动。 利用链式法则将像素/特征空间差分投影至动态潜空间作为速度监督目标，强制潜空间保留变化维度防止坍缩；SG 滤波在局部窗口多项式平滑求导，保留接触抓取等关键动态同时抑制 DINOv2 时间不一致噪声。

单一速度场统一三大生成能力，且在 LIBERO 长程预测中实现 SOTA 质量与极致效率（64 帧仅 72ms）。 正向积分支持任意帧率/快进慢放，插值查询实现缺帧恢复，反向积分生成物理合理历史。实验显示 64 帧预测 PSNR 19.46/LPIPS 0.134 优于 LDP 与 V-JEPA 2，推理延迟仅为 LDP 的 1/55，验证了紧凑潜空间+轻量速度场的算力优势。

范式意义：将世界模型学习目标从「预测下一帧」转向「建模变化率」，更贴合具身智能对连续物理交互的理解需求。 机器人操作关键在于接触瞬间的力与位置连续变化，离散帧天然丢失帧间信息。ODEWorld 直接学习连续动力学，使预测从逐帧模仿走向连续动态推演，为具身智能提供更本真的世界理解基座。

💬 文章金句

- 机器人真正需要理解的，并不是静态世界由哪些像素组成，而是当它接近、接触并移动一个物体时，世界正在怎样变化，以及这种变化接下来会把它带到哪里。

• ODEWorld 最重要的意义，不只是极致压缩带来的性能提示，而是把世界模型的学习对象从「离散状态之间的映射」转向「状态随物理时间的变化率」。
• 只要模型掌握的是一条连续的变化轨迹，就可以在任意时刻读取状态：需要更高帧率时，从轨迹上增加采样点；观测缺失时，查询中间时刻；需要回看变化来源时，则沿轨迹反向求解。

📊 文章信息

AI 初评：84

来源：新智元

作者：新智元

分类：人工智能

语言：中文

阅读时间：16 分钟

字数：3972

标签： 世界模型, 具身智能, 神经常微分方程, 机器人学, 视频预测

阅读完整文章