NOVA：以座標型INR權重重構世界模型，解除解碼器瓶頸

NOVA以INR重塑世界模型，免除解碼器瓶頸

NOVA把系統狀態表成座標型隱式神經表示(INR)的權重與偏差，並以解析方法渲染畫面，取代傳統從像素到潛在空間再回解碼的流程。這樣的結構化表示更緊湊、可攜，並具備零樣本超解析能力。

作者指出，NOVA可透過動作匹配目標蒸餾成情境依賴的影片生成器。意外的是，在未使用對抗訓練或額外輔助損失的情況下，模型能自動分離背景、前景與跨幀運動，讓內容與動態得以獨立編輯。

論文在多個具挑戰性的資料集上驗證了可控預測表現，且可在單張消費級GPU以約40M參數運行。研究者認為，將INR等結構化表示應用於潛在動態，有助於提升可解釋性並推動更沉浸、可客製化的虛擬體驗。

延伸閱讀

• HaM-World：結合Soft-Hamiltonian與Mamba記憶的 q/p/c 幾何化規劃型世界模型
• H^2-EMV：讓人形機器人學會選擇性記憶與語言化遺忘
• MemTier：分層記憶與閉迴路歸因，為長期自治式代理緩解 BM25 檢索瓶頸

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。