M$^\text{4}$World: A Multi-view Multimodal Driving World Model for Interactive Object Manipulation and Minute-long Streaming
M$^\text{4}$World:用于交互式对象操纵和分钟级流的多视图多模态驾驶世界模型
专题命中 文档图表理解 :VLM(abstract,abstract_cn);分类 cs.CV
AI总结 针对现有驾驶世界生成方法局限,提出M$^\text{4}$World模型,通过灵活接口与多阶段训练实现对象操纵及长时流稳定,引入后训练与生成模型,并用新管道评估,实验证明其在驾驶模拟中有高质量、可控性与稳定性。
Comments 24 pages, 13 figures