研究团队提出连续时间世界模型SPT-Flow
Start here
2026年11月2日，研究团队在arXiv发表论文提出连续时间世界模型SPT-Flow。该模型针对连续时间世界模型设计了轨迹潜在变量匹配机制，通过为每条轨迹采样一个latent变量，使自由运行的常微分方程（ODE）推演能够在多个时刻匹配演示状态，从而消除监督捷径。实验表明，在LIBERO数据集上训练3万步后，SPT-Flow与ODEWorld基线相比，在单样本推理成本相当的前提下，中间帧和最终帧的best-of-10 PSNR分别提升了2.0 dB与2.4 dB，平均LPIPS降低了23%。
AI-generated from reports · Updated 11 hours ago
Report timeline
Follow the reports to see different sides of the story.
- arXiv 机器学习SPT-Flow：连续时间世界模型中的单次积分与多未来生成
SPT-Flow 针对连续时间世界模型提出轨迹潜在变量匹配机制，通过每条轨迹采样一个 latent，使自由运行的 ODE 推演在多个时刻匹配演示状态，以消除监督捷径。在 LIBERO 上训练 30k 步后，SPT-Flow 相比 ODEWorld 基线在中间帧和最终帧的 best-of-10 PSNR 分别提升 2.0 dB 与 2.4 dB，平均 LPIPS 降低 23%，且单样本推理成本相当。
Story heat trend
Current heat 7·Comparable peak 10（Nov 2 14:00）·Comparable change, last 24 hours–
Trends compare only the same parties observed continuously, so the scope can be narrower than current heat counts. Move the pointer or tap the chart to see hourly heat; use the left and right arrow keys on a keyboard.