LaLa-World：用语言条件训练潜在世界模型，规划速度提升13.9倍

论文提出 LaLa-World，一种语言条件潜在世界模型（LWM），用语言同时描述数值动作和视觉变化，使单一预测器能跨仿真、机器人轨迹和图像视频数据联合训练。其平均 MPC 规划成绩超过按领域单独训练的现有 LWM。与基于 RAEv2 的视频生成模型基线对比，LaLa-World 用 6 倍更少的训练成本达到相当规划性能，规划速度快 13.9 倍。其预训练版本可初始化 LaLa-Policy，在 LIBERO 和 RoboCasa 上与 Cosmos Policy 表现相当，推理最多快 5.5 倍。