本文第一作者为西安交通大学硕士生高云天，通讯作者为西安交通大学教授许翔宇，其研究方向涵盖世界模型、三维视觉与具身智能（个人主页：https://xuxy09.github.io/）

在视觉规划与具身智能研究领域，世界模型被广泛视为实现通用决策能力的关键技术组件。理想情况下，智能体应当在实际执行动作之前，先在潜在空间中“预演”未来可能的多种路径，并从中筛选出最优策略。

然而，这一“想象”过程面临一个显著的效率瓶颈：其运行速度实在太慢了。

以LeWorldModel（LeWM）为例，它在规划过程中存在一个突出的性能障碍：每当评估一条候选动作序列时，模型都必须以逐步自回归的方式进行推演（rollout）。简而言之，模型需要先预测下一步的潜在状态（latent），然后将该预测结果输入到动态模型（dynamics model）中，接着再预测下一步，如此循环往复。

进一步分析可以发现，这种两步走的策略存在两个主要缺陷：首先，规划速度严重受限，因为交叉熵方法（CEM）需要反复评估大量候选动作序列；其次，预测误差会沿着想象轨迹不断累积放大——早期预测只要产生微小偏差，后续的推演结果就可能出现严重的偏离。

针对这一技术痛点，西安交通大学的研究团队提出了Fast LeWorldModel（Fast-LeWM），其目标是彻底革新世界模型的核心预测逻辑：将原本“一步一步地逐步推演”的模式，转变为“整条轨迹级别的并行预测”。

• 论文标题：Fast LeWorldModel

• 作者：Yuntian Gao, Xiangyu Xu

• 单位：西安交通大学

• 论文链接：https://arxiv.org/pdf/2606.26217

• 项目主页：https://fast-lewm.github.io/

• 代码：https://github.com/Yuntian-Gao/Fast-LeWorldModel

该方案的核心思路极为直观：摒弃传统“每次只迈一小步”的状态转移模型，转而将一段动作序列中的不同前缀作为独立的预测单元。模型能够并行地预测在执行这些不同动作前缀后，所达到的未来潜在状态，并通过密集的监督信号促使其学习状态如何随不同动作序列逐步演化，而不仅仅是学习状态的单步转移。

换言之，模型所面对的核心问题不再是“执行下一个动作后会变成什么样？”，而是“执行完1个、2个……直到H个动作后，分别会到达怎样的状态？”

实验结果表明，这一创新带来了显著的性能提升。在完全相同的规划协议下，Fast-LeWM的平均成功率从85.8%提升至90.5%；若进一步引入自一致性约束，成功率还能跃升至92.0%。与此同时，模型推演过程中的动态模块耗时从31.4秒骤降至8.0秒，完整的CEM求解时间也从54.4秒大幅减少到28.3秒。

Fast-LeWM的pipeline

Fast-LeWM的方法框架主要由三大模块构成。

首先，视觉编码器将当前观测与未来观测映射到潜在空间：当前的潜在状态z_t作为模型输入，而未来的潜在状态则作为训练阶段的监督目标。

其次，是动作前缀编码器（Action-Prefix Encoder）。该模块通过一个因果Transformer将候选动作序列编码为一组前缀令牌（prefix tokens），每个令牌对应一个不同长度的动作前缀。具体而言，第k个前缀令牌仅包含前k个动作的信息。考虑到相同的动作序列在不同初始位置、物体状态及接触条件下会产生截然不同的结果，在实际实现中，Fast-LeWM还会将当前潜在状态z_t映射为一个状态令牌（state token），并将其置于动作令牌序列的最前端，从而为后续预测提供必要的上下文信息。

最后，并行潜在状态预测器（Parallel Latent Predictor）利用当前潜在状态以及全部前缀令牌，一次性输出所有未来的潜在状态。在训练阶段，模型会对每一个前缀的预测结果都施加监督信号，而不仅仅关注最终状态。最终的目标函数保留了SIGReg防坍塌正则化项。

这也正是Fast-LeWM与LeWM的本质区别所在：模型不再仅仅学习状态的局部变化，而是需要掌握在动作逐步累积过程中，状态如何发生连续且有序的演变。

规划时：基于动作前缀的快速rollout

在测试阶段，Fast-LeWM依然沿用LeWM的CEM规划协议。对于CEM中第m条候选动作序列，LeWM需要依靠一步动态模型沿着想象的潜在状态逐步推进，最终获得终点预测。相比之下，Fast-LeWM将动作前缀作为推演单元：对于一条长度为H的候选动作序列，模型通过对应的前缀令牌，直接从当前潜在状态建立起通往未来潜在状态的预测路径。

这种设计还额外引入了一个可选的自我一致性评分机制（self-consistency scoring）。一方面，模型可以直接通过长度为H的动作前缀预测终点状态；另一方面，模型也可以先预测一个中间潜在状态，再以此中间状态为基础继续预测剩余时间域。两种终点预测结果之间的差异被用作一致性惩罚项。当权重β=0时，Fast-LeWM退化为仅使用目标距离（goal distance）的CEM评分方式；当β>0时，CEM会倾向于选择那些在不同前缀分解条件下预测结果高度一致的候选动作序列，从而进一步提升规划的稳定性与可靠性。

成功率提升，规划时间近乎减半

实验沿用LeWM的goal-conditioned latent planning协议，在Two-Room、Reacher、PushT、OGBench-Cube四个典型环境下进行评测。结果表明，Fast-LeWM在四个任务上的平均成功率从LeWM的85.8%显著提升至90.5%；在加入自一致性规划项后，更是进一步达到了92.0%。

效率方面的提升更为直观。在相同的CEM预算下，使用单张NVIDIA 4090显卡进行测试，Fast-LeWM的动态模块耗时从31.4秒降至8.0秒，实现了约4倍的加速，这已经涵盖了动作编码与预测器的全部预测时间。完整的CEM求解时间则从54.4秒降至28.3秒，缩减幅度高达48.0%。

此外，在开环情况下，Fast-LeWM在想象未来状态时的潜在误差，以及误差随预测时域（horizon）的增长速率，均优于LeWM。

消融实验：不是简单把动作块变长就行

作者还通过消融实验逐一验证了各个组件的作用。一种看似直接的加速思路是：将LeWM的动作块拉长，使单次状态转移覆盖更长的时间跨度。为此，作者构建了Long-Action LeWM，将原本的action encoding从5个primitive actions增加到25个，但实验结果并不理想。仅监督最终潜在状态的Terminal-only Fast-LeWM（不监督中间前缀潜在状态）表现优于Long-Action LeWM，但仍低于完整模型。这充分说明，动作前缀本身已构成一种更高效的长时域表示方式，但密集的前缀监督对于学习连续的状态演化过程仍不可或缺。

作者还发现，移除状态令牌后，模型在多个任务上的性能均有所下降。这一结果进一步印证，动作编码需要有效的上下文信息作为支撑，才能保证良好的预测效果。

总结

Fast-LeWM精准抓住了世界模型在规划阶段的关键性能瓶颈，通过引入action-prefix prediction机制，将传统的一步自回归推演升级为并行多时域潜在变量预测。在相同的评测协议下，平均规划成功率从85.8%跃升至90.5%（加入self-consistency后达到92.0%），同时动态模块耗时从31.4秒降至8.0秒，完整CEM求解时间从54.4秒压减至28.3秒。

更深层意义：世界模型的瓶颈不在“模型”，而在“接口”

这项工作的核心启示并不仅限于“加速”二字。从更深层次来看，它揭示了一个关键事实：对于面向规划任务的世界模型而言，动态模型的接口设计本身，可能与表征学习的目标同样关键。相较于一步步地预测“下一个潜在状态”，直接预测动作前缀所导致的、跨多时域的未来状态，或许是推动视觉世界模型走向高效规划的一条更为直接的路径。这或许意味着，世界模型正从“逐步想象未来”的模式，向“并行生成未来”的新范式演进。