让机械臂夹起虾并放入锅中，识别物体、定位目标并非最大难点，精准把控夹爪闭合的瞬时时机才是关键。动作全程连贯无停顿，不会等待相机采集下一帧再执行操作，但当下绝大多数视觉世界模型依靠离散截取的画面认知时间，仅学习帧与帧之间的状态跳转，无法获取两帧之间完整连续的运动轨迹，一旦出现观测缺失、切换帧率、抓取瞬时动作等场景，预测能力便会受限，难以适配机器人真实物理交互需求。
针对离散时序建模的固有缺陷，清华大学智能产业研究院联合 UC Berkeley BAIR 实验室研发出 ODEWorld，这是全球首款连续时间具身世界模型。该模型跳出传统 “预测下一帧” 的固有思路，直接学习环境在任意物理时刻的变化方向与变化速率，还原一条完整连续、随时间平滑演化的潜空间运动轨迹，相关论文与项目主页均已公开。
这套技术的核心创新并非简单增加补帧功能，依托连续完整的变化轨迹，模型可按需在任意时间节点读取环境状态：调高帧率时增加轨迹采样点，观测画面缺失时还原中间时刻运动过程，追溯动作成因时反向积分推演，原本相互独立的补帧、变速、反向生成功能，全部整合至同一套连续时间求解框架，团队将这套统一预测范式命名为 Physical-Time Flow，简称 PT-Flow。
传统离散世界模型会预先设定固定时间步长完成训练与预测，预测逻辑绑定固定采样频率，当查询时刻落在两帧画面间隙，没有显式连续轨迹支撑计算，预测精度会大幅下降。而 PT-Flow 范式转而学习潜状态对应真实物理时间的导数，构建潜空间速度场表征瞬时变化，给定初始状态后，借助常微分方程求解器积分，就能推演任意时长内完整的环境状态变化。
为搭建适配常微分方程求解的纯净潜空间，研究团队采用动静解耦架构优化特征提取流程。机器人视频中绝大多数画面背景长期保持静止，只有机械臂、目标物体产生动态变化，若直接在像素空间构建速度场，静态背景特征会淹没微弱运动信号。ODEWorld 先使用冻结的 DINOv2 编码器压缩图像视觉特征，再通过动态编解码器剥离静态场景信息，仅保留相对初始画面产生变动的潜变量。
经过动静解耦压缩后，原本高维的 DINO 视觉特征简化为单一 1×768 维度动态 token，速度场仅依靠三层轻量化 MLP 网络即可完成参数化，时间信息通过 FiLM 模块注入，初始状态、当前动态表征与任务指令共同决定瞬时运动速度，大幅降低时序推演计算量。
仅依靠紧凑潜空间无法保证稳定连续动力学，潜空间表征坍缩是以往世界模型普遍存在的痛点，编码器容易将差异化画面映射为近似向量，丢失运动细节信息。ODEWorld 创新采用一阶时间导数直接监督的训练方案，借助链式法则与雅可比向量积，无需构建海量雅可比矩阵，就能把像素空间运动速度映射至动态潜空间，以状态变化速率作为核心训练目标，从根源规避表征坍缩问题。
通过 RankMe 指标测算表征有效秩，在同等采样条件下，ODEWorld 768 维动态 token 平均有效秩达 425.2，高于 DINOv2 单帧特征 376.1 与 V-JEPA 2 1024 维表征 203.7，证明单 token 压缩并未丢失独立运动变化维度，潜空间信息留存更完整。
为消除 DINOv2 单帧编码带来的画面高频噪声，避免噪声干扰速度场学习，团队引入 Savitzky–Golay 导数滤波器估算时序变化速率，在局部时间窗口内完成多项式平滑与求导，过滤抖动干扰的同时完整保留抓取、碰撞、位移等关键动态细节。可视化结果显示，ODEWorld 生成的运动轨迹远平滑于原始 DINO 特征与离散帧预测基线，同时完整保留原始空间几何结构。该模型不拟合固定解析物理公式，而是从数据中提炼适配数值积分、保留任务语义的潜空间动力系统，优先服务机器人时序预测任务。
模型完成训练后，无需反复调用固定步长逐帧预测，依靠 RK4 常微分求解器沿速度场积分，一条统一速度场即可实现三类生成能力。第一，任意分辨率自由生成，可自主调整轨迹采样疏密，适配快慢不同的动作画面，无需针对不同帧率单独训练；第二，跨帧时间补全，即便训练视频降采样至原帧率三分之一，依旧能精准生成中间连贯画面，区别于简单像素插值，所有画面均由动力学轨迹解码生成；第三，时序反向推演，反转积分方向就能输出逻辑合理的逆向运动序列，实现动作回溯。
ODEWorld 的预测效率优势来自两层核心压缩设计，一是动静解耦将运动信息浓缩至单条动态 token，无需每轮预测重复计算静态背景；二是轻量化三层 MLP 速度场，全部时序积分计算在低维潜空间完成，仅在输出画面阶段调用解码器还原像素。在 LIBERO 机器人视频预测测试中，64 帧长时序预测场景下，LDP 耗时 3.953 秒，V-JEPA 2 耗时 0.619 秒，ODEWorld 仅需 0.072 秒；长时预测画面质量同样领先，64 帧画面 PSNR 维持 19.46，LPIPS 低至 0.134，短时 16 帧预测指标表现更优。
整体来看，ODEWorld 实现了世界模型学习逻辑的底层转变，研究重心从离散状态映射转向物理时间变化率建模。动静解耦提纯运动表征、一阶导数约束稳定潜空间、轻量化单 token 加速积分计算，三大核心设计打通任意帧率生成、时序补全、反向推演的统一路径。对于具身智能机器人而言，这套建模方式跳出静态像素识别的局限，让模型直接学习物体接触、位移、抓取的连续动态规律，推动机器人视觉预测从简单逐帧复刻，升级为完整连续的物理世界动态推演，为高精度实时物理交互机器人奠定全新技术基础。
