NAVER 世界模型用语言统一跨域训练
NAVER AI Lab 联合佐治亚理工、布朗大学与 Mila 发布 LaLa-World：一个用语言描述动作的潜空间世界模型（JEPA 路线），把数值动作和画面变化统一写成语言，于是一个预测器就能在仿真、机器人轨迹、图片与视频这些异构数据上联合训练，不必再为每个域单独训一个世界模型。规划时它把语言指令当条件，直接在潜空间里推演未来，再由 MPC 选出动作。
官方给出的对照是在同一设定下与基于 RAEv2 的视频生成式世界模型比：达到相当的规划性能，训练成本只要对方的 1/6，规划速度快 13.9 倍；联合训练多个域之后，平均规划性能还高于「按域各自训练」的潜空间世界模型，加入图像与视频数据后对动作措辞的鲁棒性也变好。作者同时强调，用语言而非数值描述动作，是让不同动作空间能放进同一张表的关键。
预训练的 LaLa-World 还能当初始化，微调成 LaLa-Policy，同时预测动作与未来视觉表征：在 LIBERO 与 RoboCasa 上与 Cosmos Policy 表现相当，推理最快 5.5 倍。项目页放出论文、代码与幻灯片，但未见权重发布，分数均为作者自测，因此「同等性能只花六分之一算力」这一条目前只在它自己的实验设置下成立。
原文链接：NAVER AI Lab 项目页
核验记录
定日取 arXiv 官方字段：abs 页 citation_date 2026/10/20（v1 提交）、citation_online_date 2026/10/21，项目页本身无可见日期。GitHub junha1125/LaLa-World 建仓 2026-10-12（早于论文 8 天，按 10-16 口径只留痕、不作定日）。作者单位取项目页署名：1 NAVER AI Lab / 2 Georgia Tech / 3 Brown / 4 Mila & Université de Montréal。全部数字逐字取自 arXiv HTML 全文与摘要：6x less training cost、13.9x faster planning（对照 RAEv2 视频生成基线）、LaLa-Policy 在 LIBERO 与 RoboCasa 上 up to 5.5x faster inference；未见权重发布，分数为作者自测。配图 og.jpg 裸请求与带站内 Referer 各一次均 200 / JPEG 1200x630 / 80,326 字节。