全球首个，连续时间具身世界模型！任意帧率自由生成

来源：市场资讯

（来源：新智元）

新智元报道

让机器人把一只虾夹起来，再放进锅里。

真正困难的，可能不是认出虾，也不是找到锅，而是把握夹爪闭合的那个瞬间：早一点，夹爪会落空；晚一点，虾可能已经被推走。夹住之后，机械臂还要连续调整力度、方向和速度。整个过程没有暂停键，也不会等摄像头拍完「下一帧」再继续。

但许多视觉世界模型认识时间的方式，恰恰来自这些被摄像头截取的画面。它们看到第1帧、第2帧、第3帧，并学习如何从一张图跳到下一张图。至于两帧之间发生了什么、换一种帧率后该如何预测，甚至某个关键瞬间缺失后如何还原，模型通常没有一条可以直接查询的连续轨迹。

问题也由此变得具体：

如果机器人对世界的理解只存在于一格格画面里，它要怎样抓住发生在两帧之间的那一瞬间？

来自清华大学智能产业研究院（AIR）与UC Berkeley BAIR的研究团队提出了ODEWorld——全球首个连续时间具身世界模型。它不再只问「下一帧是什么」，而是直接学习世界在每个时刻朝什么方向、以多快的速度变化，并由此还原一条随真实物理时间连续演化的潜空间轨迹。

论文链接：https://arxiv.org/abs/2607.27924

项目主页：https://dstate.github.io/odeworld_website/

这项工作的关键，并不是单独增加了一项「补帧」功能。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。原本分散的生成能力，因此被统一成了同一个连续时间问题。

团队将这套预测范式称为Physical-Time Flow，简称PT-Flow；基于PT-Flow构建的连续时间潜空间世界模型，则被命名为ODEWorld。

离散预测的时间边界

设机器人在时刻t的状态表征为。传统离散模型通常学习一个状态转移函数：

其中c可以是目标图像或任务指令。

这种建模方式并非无效，但它将预测能力绑定在预先设定的时间步长上。训练视频按照固定频率采样，模型学习的也是相邻采样点之间的跳转。当查询时刻落在两个训练帧之间，或者输入序列缺少部分观测时，离散模型本身并没有一条显式的连续轨迹可供查询。

PT-Flow改为学习潜状态关于真实物理时间的导数：

这里的是潜空间速度场，输出当前状态在下一瞬间的变化方向和速度。给定参考状态z0后，未来状态可以通过常微分方程求解器积分得到：

静动态解耦

为速度场构造干净的潜空间

把视频变成连续方程，首先需要找到一个适合由ODE描述的状态空间。

在机器人视频中，大量视觉内容没有发生变化。桌面、墙壁和物体纹理可能连续数秒保持静止，真正推动任务进程的只有机械臂、夹爪、目标物体以及接触关系。若让速度网络同时拟合静态背景与少量运动区域，动态信号会被大量零变化或噪声特征淹没。

ODEWorld因此没有直接在像素空间中建立速度场。它首先使用冻结的DINOv2编码器，将图像压缩为视觉特征；随后再通过一组以初始状态为条件的动态编码器与解码器，提取真正负责描述变化的潜变量：

编码器和解码器都能直接看到s0。静态场景信息因此可以从参考状态中取得，zt没有必要重复保存背景，只需概括当前状态相对s0发生了什么变化。

这种解耦带来了非常激进的压缩：原始DINO特征大小为16×16×768，而ODEWorld的动态潜变量只使用一个1×768token。基于这个单token，速度场只需由一个轻量的三层MLP参数化，时间信息通过FiLM注入；zt、z0和目标条件c则共同决定速度网络的输出。

直接监督「状态怎么变」

拥有紧凑潜空间，并不意味着模型一定能学到稳定的连续动力学。潜空间世界模型长期面临的一个问题是表征坍缩：如果编码器把不同画面都映射到相似向量，预测器就很容易得到较低损失，但这些向量不再包含足够的状态信息。

ODEWorld的关键设计，是不只比较预测状态与目标状态是否一致，而是直接监督潜状态的一阶时间导数。

由于动态编码器满足，根据链式法则：

s0在一次预测过程中保持不变，因此它关于时间的导数为零。训练数据虽然只提供离散帧，却可以利用相邻特征估算。

再通过雅可比向量积（Jacobian-vector product，JVP），模型无需显式构造巨大的雅可比矩阵，就能把视觉特征空间中的变化速度投影到动态潜空间，得到。

速度网络的训练目标由此写成：

其中sg⁡表示停止梯度，用于稳定速度场优化。论文中的进一步实验显示，即使移除停止梯度，模型仍然能够有效训练，说明一阶速度约束本身已经为潜空间提供了较强的结构性约束。

这与典型JEPA式训练存在明显区别。后者通常要求预测潜变量接近目标编码器产生的潜变量，并依赖EMA、停止梯度或额外的方差与协方差约束来避免坍缩。

ODEWorld则把「状态如何沿时间移动」直接写进监督目标：如果所有状态都坍缩到相同表示，模型便无法解释非零的真实变化速度。

论文采用RankMe衡量表征的有效秩。在相同采样协议下，ODEWorld的768维动态潜变量平均有效秩为425.2；DINOv2 CLS特征为376.1；V-JEPA 2的1024维表征为203.7。

更高的有效秩意味着潜空间保留了更多彼此独立的变化维度，也表明单token并不等于信息贫乏。

Savitzky–Golay滤波

理论上，最简单的状态速度可以由相邻帧差分得到：

但ODEWorld使用的是冻结的DINOv2图像编码器。DINOv2主要为单帧视觉表征设计，并没有专门保证连续视频中的时间一致性。即便像素只发生轻微变化，相邻帧特征也可能包含高频抖动；直接将这些差分当作物理速度，会把视觉编码噪声一并交给速度场。

团队因此使用Savitzky–Golay导数滤波器估计。

它在局部窗口内进行多项式平滑和求导，在抑制高频噪声的同时，尽量保留接触、抓取和物体移动等关键变化。论文的潜轨迹可视化显示，ODEWorld生成的轨迹比原始DINO特征以及离散下一步预测基线更加平滑，同时仍保留原特征空间的主要几何结构。

这也揭示了PT-Flow的一个重要边界：模型学习的不是已知解析物理方程，而是在数据中寻找一个适合连续积分、又能保留任务语义的潜空间动力系统。它追求的是可用于未来预测的连续表征，并不是从视频中恢复唯一的真实控制方程。

一条速度场

统一三类生成能力

完成训练后，未来预测不再依赖重复调用固定步长的下一帧模型，而是使用RK4等现成ODE求解器沿速度场积分。查询时间点可以自由选择，由此自然产生三类能力。

第一是任意时间分辨率生成。希望动作更慢，就在轨迹上查询更多、更密集的时刻；希望快速推进，则减少采样点。模型无需为不同播放速度单独训练。

第二是时间补全。论文将训练序列降采样到原始帧率的三分之一，ODEWorld仍能查询训练数据未提供的中间时刻并生成连贯状态。这里的「补帧」并非简单的像素插值，而是从学习到的潜空间动力学轨迹中解码对应时刻。

第三是反向生成。将积分方向反转，即令，同一速度场就能生成物理上合理的反向序列。这并不意味着模型能够还原任意系统唯一、真实的历史，也不意味着所有现实过程严格可逆；它说明模型学习到的潜空间流可以在相反方向上进行稳定数值积分。

64帧预测更快

长程画面也更稳定

ODEWorld的效率首先来自表征空间的压缩。

它没有在高维像素或完整视觉特征上反复预测，而是将与运动有关的信息集中到一个动态token中，在这个紧凑潜空间里求解状态随时间的变化。大量与当前运动无关、在相邻帧中基本保持不变的背景和外观信息，因此不必在每一步预测中重复计算。

第二层效率来自速度场本身。

由于动态状态已经被压缩，负责描述潜状态变化率的网络只需要一套三层MLP，而不必依赖庞大的逐帧生成网络。ODE求解器先在低维潜空间中完成整条轨迹的积分，只有需要输出具体画面时，模型才通过动态解码器和图像解码器恢复视觉结果。

换句话说，ODEWorld把主要计算用在「世界如何变化」上，而不是在每个时间点重新生成一遍完整世界。

在LIBERO视频预测实验中，各方法的短时与长时预测结果如下。PSNR衡量预测画面与真实画面在像素层面的接近程度，数值越高越好；LPIPS更关注人眼感知到的结构与语义差异，数值越低越好。

短时的16帧预测中，ODEWorld达到20.53PSNR和0.109LPIPS；当预测范围延长到64帧后，两项指标仍保持在19.46和0.134，均优于LDP与V-JEPA 2。速度上的差距更直观。

生成64帧时，LDP的延迟为3.953秒，V-JEPA2为0.619秒，而ODEWorld只需0.072秒——约为LDP的1/55、V-JEPA2的1/8.6。

将动态表示压缩到单token，并用轻量速度场完成连续积分，不只是减少了模型内部的表示规模，也确实转化成了端到端预测效率。

从预测下一帧

到建模变化本身

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」。

静动态解耦为连续动力学清理了表征空间；JVP把离散视频中的变化速度投影为可监督的潜空间导数；单token和轻量速度网络则让ODE积分能够低成本运行。任意时间采样、缺帧恢复和反向生成，由此不再是彼此独立的功能，而成为同一条潜空间速度场的不同使用方式。

对具身智能而言，这种变化或许比「多预测几帧」更值得关注。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。

当世界模型开始直接学习这种变化，预测未来才可能从逐帧模仿，进一步走向连续的动态推演。

参考资料：

https://arxiv.org/abs/2607.27924

编辑：LRST