世界模型自蒸馏：训练世界模型以解决通用任务

预训练视频生成器作为视觉世界模型虽具 emergent 任务求解能力，但依赖详细文本描述限制了其在规划决策中的直接应用。现有方法或外包推理，或依赖昂贵的监督微调。本文提出一种可扩展框架，结合自蒸馏与强化学习，从无标签图像中激发任务求解能力。首先由视觉语言模型生成候选任务及逐步解法，指导预训练视频扩散模型（Demonstrator）；随后将其行为蒸馏至仅依赖图像和简短提示的执行器（Executor）。此外，利用 VLM 反馈的强化学习进一步优化执行器。实验表明，该方法在无需 curated 数据下显著提升了模型的任务执行与迁移能力。