SAMPO 论文核心总结与翻译一、主要内容本文针对现有自回归世界模型在视觉一致性预测、解码效率和运动建模方面的不足，提出了一种名为SAMPO（Scale-wise Autoregression with Motion PrOmpt）的混合框架。该框架旨在通过尺度感知自回归建模、非对称多尺度令牌化和轨迹感知运动提示，实现高保真、时间一致且高效的动作条件视频预测和基于模型的控制，为人工通用智能（AGI）中的环境模拟与决策提供支持。核心应用场景动作条件视频预测（低/高分辨率场景）视觉规划（机器人操纵任务）基于模型的强化学习（MBRL）关键实验结果在BAIR、RoboNet、1X World Model等数据集上，SAMPO的视频生成质量（FVD、PSNR、SSIM、LPIPS）优于现有SOTA方法；推理速度提升4.4倍，支持实时交互；在视觉规划基准VP²和Meta-World强化学习任务中，展现出更优的控制性能和样本效率；具备零样本泛化能力，可迁移至未见过的任务场景。二、创新点混合自回归架构：结合帧内粗到细视觉自回归与帧间因果时序建模，既保留空间局部性，又保证时间一致性，支持各尺度内并行解码，提升生成效率