视频世界模型既要生成连贯画面,也要及时响应交互。大模型通常质量较高,小模型推理更快;推测式生成试图让两者协作:先由快速模型生成候选片段,再由较强模型检查。但常见做法是在解码视频后调用外部奖励或评分器,检查范围受评分维度限制,还要承担解码与打分成本。更重要的是,分数只能决定保留还是重生成,无法直接告诉系统怎样修补不合格片段。
论文提出SpecWM(Speculative World Model),一种无需训练的流式世界模型推理框架。它不把验证仅仅当作筛选,而是利用目标模型的潜在速度场检查草稿片段,并从这一过程获得可复用的修正信息。系统依据两个阈值,在三种处理方式中选择:
- 接受(Accept):保留草稿片段,避免不必要的目标模型重算。
- 细化(Refine):不完全推倒重来,而是用一次细化复用修正信号,改善感知质量;三步细化则更侧重加强摄像机跟随和轨迹一致性。
- 拒绝(Reject):当草稿不适合继续使用时,转入拒绝处理。
作者将不同细化步数带来的效果归纳为“转移感知细化”:修正不只针对单帧外观,也要考虑动作和视角随时间的变化。这里的关键并非简单增加生成步骤,而是让验证结果同时承担判断与修正的作用,减少被拒绝草稿带来的重复生成负担。
在WBench Navigation上,论文报告SpecWM相对目标模型达到1.63倍加速,同时提高视觉质量;NavScore从草稿模型的75.99升至85.63。作者据此称其取得质量、速度和控制能力之间较好的权衡。LongSpecBench实验关注长时间、多轮展开中的质量与控制保持情况;Hy-Nomas实验则用于检验方法在不同骨干模型和去噪预算下的表现。素材没有提供这些测试的更多数值,因此不宜据此推断普遍适用性或具体部署收益。
这项工作的意义在于重新定义推测式生成中的“验证”:它不应只是额外的一道门槛,也可以成为低成本纠偏接口。若这一思路能在更多环境和任务中稳定成立,流式世界模型就有望减少整段重生成,同时兼顾响应速度与动作一致性。不过,实际效果仍取决于目标模型提供的潜在信号、阈值选择及具体任务;现有摘要所列结果不足以替代更广泛的独立评估。
评论
正在确认登录状态……
正在加载评论……