dWorldEval: Scalable Robotic Policy Evaluation via Discrete Diffusion World Model

Summary

dWorldEval 用离散 diffusion world model 作为 robotics policy 的可扩展评估代理。将 vision、language、robotic action 映射到统一 token space，用单一 transformer denoising network 建模。引入 sparse keyframe memory + progress token（任务完成度指示），自动判断 success。

Problem & Motivation

Robotic policy evaluation的规模化问题：

• 跨数千环境 + 数千任务评估不可行
• 真实世界评估成本极高

Method

核心架构：

1. 统一 token space: vision + language + action 全部 token 化
2. Transformer denoising network: 单一网络建模所有模态
3. Sparse keyframe memory: 维护 spatiotemporal consistency
4. Progress token: 任务完成度指示，progress=1 时判定 success

推理: 联合预测未来观测 + progress token

Key Results

• 在 LIBERO、RoboTwin 和真实机器人任务上超过 WorldEval、Ctrl-World、WorldGym
• 2 HF upvotes（热度不高）

Strengths & Weaknesses

亮点：

• 统一 token space 设计符合多模态建模趋势
• Progress token 是有价值的 idea——将任务完成度显式编码
• Sparse keyframe memory 处理长序列一致性

局限：

• 热度低（2 upvotes），可能影响力有限
• “discrete diffusion” vs “continuous diffusion” 的 trade-off 未分析
• 与真实评估的 fidelity 差多少？

Mind Map

mindmap
  root((dWorldEval))
    Problem
      Robotic policy 评估不可规模化
      真实评估成本极高
    Method
      统一 token space
      Transformer denoising
      Progress token
      Sparse keyframe memory
    Results
      LIBERO/RoboTwin 超过 baseline
      真实机器人验证

Notes

[基于 arXiv abstract]

Progress token 是有趣的 idea——将任务完成状态编码进 world model。与 L3 Evolver 的”自主修正”有概念关联。