Kairos: A Native World Model Stack for Physical AI

Kairos论文完整总结与指定章节双语翻译

论文标题：Kairos: A Native World Model Stack for Physical AI
arXiv编号：2606.16533（2026-06-16）

一、论文整体主要内容

本文提出Kairos一套面向物理具身AI的原生一体化世界模型栈，彻底区别于业界“通用视频模型微调适配机器人”的主流方案。当前世界模型存在四大核心痛点：多源异构数据学习割裂、长时序全局状态丢失、视觉生成与机器人动作脱节、推理延迟过高无法落地闭环交互。Kairos围绕学习世界、维持世界状态、高效运行世界三大核心目标构建完整技术体系，从预训练范式、底层时序架构、系统工程三层统一解决上述瓶颈，并在主流具身、视频、机器人基准实现SOTA。

1. 问题背景
   现有世界模型分为三类：像素级视频生成模型（如Cosmos）、隐空间预测模型（JEPA系列）、交互式仿真引擎（Genie、Dreamer），但均存在短板：
   • 数据割裂：互联网视频、人类行为、机器人数据无法协同训练，模型要么缺动作接地，要么泛化弱；
   • 长时序崩溃：仅使用滑动窗口注意力，随视频变长误差持续累积，物体持久性、延时物理效应无法维持；
   • 感知-动作断层：模型仅能“旁观”画面，无法输出可执行机器人轨迹；
   • 部署受限：二次微调后的模型推理开销巨大，无法满足机器人实时观测-动作反馈闭环需求。