Sword：通过 VLA 策略的动态潜在引导将风格稳健的世界模型作为模拟器 后训练

视觉-语言-动作（VLA）模型与世界模型的集成越来越受到关注。一种代表性方法将学习的世界模型视为生成模拟器，从而完全在“想象力”内实现政策优化。然而，当部署为特定环境（例如 LIBERO 基准）的模拟器时，现有的世界模型通常会遇到泛化性差和长期误差累积的问题。在闭环采样轨迹期间，这些模型对初始状态扰动高度敏感；颜色、照明和其他视觉因素的微小变化都会引发连锁幻觉，导致严重模糊或过度曝光。此外，长期误差累积进一步降低了预测未来状态的质量和保真度。这些问题限制了世界模型作为模拟器的可靠性。为了缓解这些问题，我们提出了 Sword，一个强大的世界模型框架。我们的方法引入了结构引导风格增强，将交互式环境的视觉纹理与任务相关的动态分开，从而提高泛化能力。我们进一步提出动态潜在引导，它保持训练和推理之间的一致性，同时保持较低的内存消耗。 LIBERO 基准上的大量实验表明，我们的方法在泛化性、生成质量、鲁棒性、保真度以及 VLA 模型的强化学习 后训练 的成功率方面显着优于基线 WoVR。