WorldDiT: A Unified Diffusion Architecture for World and Action Modeling

• 类型：arxiv
• 标识：2607.23909
• 链接：https://arxiv.org/abs/2607.23909
• 主分类：multimodal
• 形态：method
• 被引：0
• 被引来源：Semantic Scholar + OpenAlex
• S2被引：0
• OpenAlex被引：0
• 影响力被引：0
• TLDR：WorldDiT, a unified diffusion transformer architecture that couples action generation with visual world modeling and achieves strong performance without a large pretrained VLM action backbone, lies on the reported Pareto frontier for total model parameters and mean success among methods reporting all four suites.
• OpenAlex ID：W7171512290
• OpenAlex DOI：10.48550/arxiv.2607.23909
• DOI：10.48550/arxiv.2607.23909
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://doi.org/10.48550/arxiv.2607.23909
• OpenAlex更新：2026-08-25
• 副分类：engineering
• 待LLM分类：否
• 标题中文：WorldDiT：面向世界建模与动作建模的统一扩散架构
• TLDR中文：WorldDiT 是一种统一的 diffusion Transformer 架构，将动作生成与视觉世界建模耦合，无需大型预训练 VLM 动作主干即取得强性能，在报告全部四个 suite 的方法中，其总模型参数量与平均成功率处于已报告的 Pareto 前沿上。
• 来源文件：
• /inbox/tom/_candidates/2026-07-29-agent-rag-longcontext-candidates.json
• [S2 enrich]
• [OpenAlex backfill]