世界模型自我蒸餾：透過影像生成預訓練提升通用任務解決能力的創新架構

本研究提出結合自我蒸餾與強化學習的框架，將影片生成模型的推理能力轉化為指令驅動的執行器，無需標記資料即可實現高效的任務規劃與執行。

Problem

預訓練影片生成模型雖具備世界模型潛力，但因過度依賴詳細文本描述，難以直接應用於決策。現有解決方案若非將推理功能外包給其他模型，就是必須依賴成本高昂且難以擴增的任務執行影片標記資料。

提出一種結合自我蒸餾與強化學習的可擴展框架。首先利用視覺語言模型（VLM）生成任務與步驟方案，引導「演示者」模型產生影片，再將其行為蒸餾至僅需短指令的「執行器」。最後藉由 VLM 的回饋進行強化學習，利用「評分易於生成」的特性優化執行表現。

實驗顯示，該「執行器」在 WorldTasks-Benchmark 與 DreamGen 機器人基準測試中，表現均優於原始「演示者」模型，並在機器人任務遷移上展現出強大的競爭力。

此方法突破了大規模任務影片資料蒐集的瓶頸，展示如何利用生成模型內在的知識進行自我進化。這對於開發具備物理理解與通用執行能力的自動化視覺代理人，提供了一條具備擴展性的全新路徑。