EVEWorld: Physical Evolution Supervision for Embodied World Models
作者: Kaiqi Wang, Songxin Zhang, Zejian Xie, Xiao Xiong, Zhuoyang Song, Ziwei Wu, Jun Yu Lu, Yitan Teng, Ziying Song, Jiaxing Zhang
分类: cs.CV
发布日期: 2026-10-02
备注: 44 pages
💡 一句话要点
提出EVEWorld以解决机器人学习中的物理推理不足问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 具身世界模型 物理推理 模型懒惰 实例一致性 时间动态 机器人学习 监督学习
📋 核心要点
- 现有的具身世界模型在物理推理方面存在不足，导致模型在处理动态交互时表现不佳。
- EVEWorld通过实例引导恢复和时间实例对齐两个组件，增强了物理一致性和跨帧一致性。
- 在多个基准测试中，EVEWorld显著降低了模型懒惰率，并在相关排行榜中取得了优异的成绩。
📝 摘要（中文）
具身世界模型能够实现机器人学习中的具身交互的可扩展模拟。然而，现有模型往往存在模型懒惰的问题，过于关注视觉逼真度而忽视物理推理，并缺乏对被操控物体时间动态的过程级监督。本文提出了EVEWorld，一个物理演化监督框架，以实现物理一致的目标演化。EVEWorld由两个组件组成：实例引导恢复（IGR）和时间实例对齐（TIA）。IGR通过恢复监督促进实例一致性，而TIA通过对齐相邻帧的目标实例促进跨帧一致性。我们进一步引入了模型懒惰率（MLR），该指标衡量生成轨迹中实例一致性的持续违反。大量实验表明EVEWorld的有效性，尤其是在与GigaWorld-0相比时，MLR减少了87.5%。
🔬 方法详解
问题定义：本文旨在解决现有具身世界模型在物理推理方面的不足，特别是模型懒惰导致的实例一致性问题。现有方法往往过于关注视觉效果，忽视了物体在时间动态中的物理一致性。
核心思路：EVEWorld的核心思路是通过物理演化监督来提升模型的物理一致性。通过引入实例引导恢复（IGR）和时间实例对齐（TIA），实现对目标实例的有效监督和一致性维护。
技术框架：EVEWorld的整体架构包括两个主要模块：IGR负责通过恢复监督来促进实例一致性，TIA则通过对齐相邻帧的目标实例来增强跨帧一致性。
关键创新：EVEWorld的关键创新在于引入了模型懒惰率（MLR）这一新指标，用于量化生成轨迹中实例一致性的持续违反，从而为模型的改进提供了明确的方向。
关键设计：在设计上，IGR和TIA的损失函数经过精心调整，以确保在训练过程中能够有效地促进实例的一致性和物理推理的准确性。
🖼️ 关键图片
📊 实验亮点
EVEWorld在DreamGenBench、EWMBench和PBench等多个基准测试中表现出色，特别是在与GigaWorld-0的对比中，模型懒惰率（MLR）减少了87.5%。在WorldArena 2.0 Track 1排行榜中，EVEWorld在JEPA相似度上排名第6，总体排名第17，进一步验证了其演化监督策略的有效性。
🎯 应用场景
EVEWorld的研究成果在机器人学习、自动驾驶、虚拟现实等领域具有广泛的应用潜力。通过提升模型的物理推理能力，可以实现更为真实和智能的交互系统，推动智能机器人在复杂环境中的应用。未来，该框架可能会影响到人机交互、智能制造等多个行业的发展。
📄 摘要（原文）
Embodied world models enable scalable simulation of embodied interactions for robot learning. However, existing models are prone to Model Laziness, as they focus on visual fidelity at the expense of physical reasoning and lack process-level supervision over the temporal dynamics of manipulated objects. In this work, we propose EVEWorld, a physical evolution-supervision framework for physically consistent target evolution. EVEWorld consists of two components: Instance-Guided Restoration (IGR) and Temporal Instance Alignment (TIA). First, IGR promotes instance consistency through restoration supervision. Second, TIA promotes cross-frame consistency by aligning target instances across adjacent frames. We further introduce the Model Laziness Rate (MLR), a metric that measures persistent violations of instance consistency in generated trajectories. Extensive experiments on DreamGenBench, EWMBench, and PBench demonstrate the effectiveness of EVEWorld, notably achieving an 87.5% reduction in MLR compared with GigaWorld-0. On the WorldArena 2.0 Track 1 leaderboard, our model ranks 6th in JEPA Similarity and 17th overall, which further validates the performance of our evolution supervision strategy.