TAWM
translate by GPT

TAWM:让世界模型知道“这一步有多长”

从实习中的视频时间控制问题出发,读一篇让世界模型显式感知时间间隔的论文。

最近实习比较忙,有些文章看了没及时整理(找补忏悔 ing)。这次来看世界模型的第三篇笔记。

论文是 Time-Aware World Model for Adaptive Prediction and Control,发表于 2025 年国际机器学习大会(International Conference on Machine Learning,ICML)。

实习中的问题

之所以选这篇文章,是因为我最近在实习里用 Seedance 做视频生成,碰到了一些和时间有关的问题。能指定视频总时长,和能让动作严格发生在指定时间,其实是两回事。

比如“2.3 秒内拿起杯子”。实际使用时,这类细粒度的时间要求依然很难被严格遵守。所以我想看看:世界模型会怎么处理“时间”这件事?

论文想解决什么

世界模型(World Model)可以直观理解为:在内部预测“现在做这个动作,接下来会发生什么”。作者指出,传统方法通常在固定时间间隔下训练,因此可能适应了训练时的观测频率,却不适应部署时的另一种频率。

论文引言举了一个例子:训练时每隔 2.5 毫秒观察一次环境,部署时却每隔 20 毫秒才能获得一次观测。虽然都叫“预测下一步”,这两步实际对应的时间跨度并不一样。

某种程度上,可以把它理解为时间间隔上的分布变化。不过要注意:这是用来说明固定步长训练局限的例子,不是说本文模型只在 2.5 毫秒上训练。

文章的问题可以概括为:在不增加训练样本数量和训练步数的情况下,能不能让同一个世界模型学习不同时间尺度上的动态,并支持不同观测频率下的控制?

为此,作者提出时间感知世界模型(Time-Aware World Model,TAWM)。直觉很简单:不要让模型猜“下一步到底有多长”,直接把这段时间告诉它。

方法图解

TAWM 方法图:观测经编码器得到潜在状态,与动作、时间间隔一起输入时间感知模型,预测奖励、价值、候选动作和未来状态。
TAWM 方法图 · 点击查看大图 · 图片来自 TAWM.

左边的 oₜ 是当前时刻的观测,比如机械臂看到的画面。经过编码器 h,它被转换成潜在状态 zₜ,也就是模型内部对当前环境的表示。后面的预测都在这个表示空间中进行。

中间的 M 代表时间感知模型,包含动力学、奖励、价值和策略先验等子模型。分别可以理解为:环境怎么变化、当前能得到什么回报、长期来看值不值得,以及哪些动作比较值得尝试。

图中汇入模型的信息有三类:zₜ 是当前状态,aₜ 是当前动作,Δt 是这一步经过的时间。相比只根据状态和动作预测固定的“下一步”,TAWM 把时间间隔也作为明确条件。

例如,同样的状态和动作,当 Δt 分别为 10 毫秒和 50 毫秒时,模型需要预测两个不同时间跨度下的结果。编码器本身不需要时间条件,其余上述子模型则显式接收它。

下方橙色路径对应未来状态预测。模型先学习潜在状态的变化率,再通过数值积分(Numerical Integration,也就是把变化率累积成一段时间内的变化),更新当前状态。图里的两种更新方式是 Euler 和 RK4。

补充一下这两个名字,跳过也不影响继续往下读。

Euler 是欧拉法(Euler method)。直观理解是:下一状态 ≈ 当前状态 + 当前变化率 × 时间间隔。

RK4 是四阶龙格–库塔法(Fourth-order Runge–Kutta,第一次听说,名字还挺酷)。它会估计起点、两个中间试探状态和末端试探状态的变化率,再按规定权重合并。

相当于欧拉法只看开始时的变化趋势,RK4 还会探一下中间和末端的趋势。不过这里算的是潜在状态的变化率,不一定是物理意义上的速度或加速度,也不需要真的观察到那些未来状态。

上面的欧拉公式只是直觉示意。论文实际使用经过对数缩放的时间因子 τ(Δt),而不是直接乘原始时间间隔,以稳定训练。

更新后得到的 ẑ(t + Δt),就是模型预测的、经过这段时间后的状态。橙色旁路表示当前状态会直接参与更新:在原来的状态上,加上模型估计的变化。

最右边带帽子的 r、q、a,分别对应预测奖励、长期价值和策略先验给出的候选动作。后续还要通过规划,比较动作带来的预计回报,再决定执行什么。

还有一个很重要的点:不只是给模型多加一个时间输入,训练时也要让它见到不同时间间隔。作者会在每轮环境交互开始时抽取一个间隔,并在这一轮里保持不变。

比如在 Meta-World 这个机械臂任务测试环境中,TAWM 混合使用 1–50 毫秒的间隔训练。这样,时间条件才有对应的训练数据,而不是只在部署时突然改变它。

作者的对比里,Euler 在多数 Meta-World 任务中表现更好;涉及偏微分方程(Partial Differential Equation,PDE,这里用于描述一个量随空间和时间的变化)的控制任务中,RK4 的收益则随任务和时间间隔而变化,并不是始终更好。

这里“相同训练样本数和训练步数”也不等于“相同实际耗时”:RK4 的更新需要更多模型计算。

我的看法

基本这篇文章就到这里了。相对来说,感觉没有前两篇那么“惊艳”,但问题更具体,也更贴近我实际工程中碰到的困惑。

不过,读到后面发现,好像还是没有直接解决我遇到的问题(笑)。TAWM 主要回答的是“过了这么久以后,环境会变成什么样,以及应该怎么控制”;我想问的却是“能不能让生成视频里的动作,按指定时间发生”。

两者都和时间有关,但不是同一个问题。这篇论文没有直接验证视频生成里的动作时间约束。对我来说,它更像一个提醒:如果希望模型认真对待时间,训练数据和模型的条件输入里,也应该认真对待时间。

论文和演示可以在作者项目页查看。