ODEWorld：透過 Physical-Time Flow 的連續預測架構
為何重要
這項研究在架構層面證明瞭將物理世界的連續性引入世界模型（World Model）的可行性，解決了長期預測中的表示崩潰與解析度限制。對於機器人學與具體應用的 AI 治理者而言，這代表機器人控制與高保真視訊生成技術邁出了關鍵的一步，能夠支援更細緻的真實世界時間軸進行規劃。
針對現有世界模型受限於離散時間預測、無法高效捕捉物理世界動態的問題，本研究提出 Physical-Time Flow (PT-Flow) 方法，並建構了 ODEWorld 連續時間潛在世界模型。
- 將序列資料的底層動態引數化為嵌入在結構化表示空間中的 Ordinary Differential Equation (ODE)。
- 透過在壓縮潛在空間中進行 ODE 求解器求解，將未來預測重構為時間積分。
- 解決過去的「representation collapse（表示崩潰）」問題，支援任意時間解析度及向後預測。
- 提供豐富的規劃導向資訊以利下游策略學習，在影片產生與機器人控制上展現優異效能。