世界模型相关 AI 资讯

AITOP

8月23日

17:03

量子位@量子位的朋友们

无界动力在WRC主论坛及多场同期活动中深度参与，展示其世界模型技术，强调其在现实生产力中的应用潜力。活动涵盖技术研讨、产品展示等环节，旨在推动行业交流与合作。

行业无界动力 WRC主论坛世界模型

推荐理由：无界动力在WRC活动中展示世界模型技术，了解其在现实生产力中的应用前景，值得行业关注。

原文

8月21日

10:08

官方账号arXiv cs.LG@Taoyong Cui, Pheng Ann Heng, Wanli Ouyang

精选

Meta AI 提出一种名为 Orthogonal JEPA 的新框架。该框架通过正交预测分解来学习潜在世界模型。它使用正交基矩阵将目标状态分解为多个组件，并为每个组件设置专用预测分支。实验在受控视觉、单细胞转录组学、纵向健康记录、连续控制和分子动力学等多个领域进行。

AI模型 Orthogonal JEPA JEPA Meta AI

推荐理由：Meta AI 推出了 Orthogonal JEPA，它能把复杂系统拆分成多个部分来预测，比标准 JEPA 更高效。

原文

8月18日

10:22

官方账号arXiv cs.LG@Jonathan Sadeghi, Jenny Seidenschwarz, Jesse Allardice, Sirish Srinivasan, Benjamin Graham, Jeffrey Hawke

CaliBench 提出用物理可解释的离散空间（如骰子点数、纸牌花色、轮盘颜色）来评估视频世界模型，而不是像 FID 那样的学习特征空间。该基准覆盖九种场景和六个模型（WAN-2.7、SeeDance-2.0、HappyHorse-1.0、Veo 3.1、Runway Gen-4.5、Cosmos3-Super），每个模型生成32次。测试发现模型普遍把概率质量集中在少数结果上，而非复现参考分布；多数场景-模型组合显著失准，Veo 3.1 在骰子场景甚至坍缩到单一结果。在轮盘场景中，生成视频常让球位置含糊不清，导致多个模型的可评分性（scorability）很低。研究者将协议和指标 mnTV（平均归一化总变差）开源，供新模型对比。

论文 CaliBench Veo 3.1 视频生成

推荐理由：CaliBench 新基准专测视频模型的物理随机效果靠不靠谱，六个模型里 Veo 3.1 在骰子上翻车。想对比可以参考。

原文

8月17日

17:06

量子位@思邈

该世界模型支持24FPS视频画面的实时生成。该模型还能以48kHz采样率输出立体声音频。这一24FPS与48kHz的组合，让世界模型具备了同步音画能力。官方宣布模型即将完全开源，开发者可获得24FPS视频与48kHz音频的生成能力。

AI模型世界模型视频生成音频生成

推荐理由：这个新模型能同时生成24帧视频和48kHz立体声，比之前无声的世界模型多了一路声音，而且马上开源，可以自己跑一跑。

原文

12:42

AI Will@FinanceYF5

据估算，以色列世界模型创业公司 Decart 若以70亿美元被收购，Sequoia 跨多轮投入约7000万美元，对应回报约9亿美元。Sequoia 的综合回报倍数预计在11–14倍之间。Benchmark 同样被视为这场交易中的大赢家。若交易成行，这笔投资将成为 Sequoia 合伙人 Shaun Maguire 的代表作之一。

行业 Decart Sequoia Benchmark

推荐理由：Sequoia 投了 Decart 大概7000万美元，如果真按70亿美元卖掉，能翻到9亿美元，这回报够吹一阵子了。

原文

10:44

官方账号arXiv cs.AI@Alexy Skoutnev, Kirill Acharya, Gaston Longhitano, Madeleine Udell, Kevin Ellis, Iddo Drori

精选

Twin 系统让前沿编程智能体在测试时编写可执行世界模型，用来完成 ARC-AGI-3 等持续学习任务，全程只靠模拟与交互推断游戏规则和目标。它在 183 个关卡中通过 179 个，成功率 97.8%，其中 158 个关卡的效率高于人类玩家（88.3%）。系统在 156 个已通关关卡中于任何奖励前就推断出目标（87.2%），其余关卡则靠搜索自动发现目标。直接用基础模型玩得分仅 7.8%，加现成 harness 升至 61.1%，而 Twin 世界模型把同一基础模型提升到 93.3%，打通 25 个游戏中的 23 个。

论文 Twin ARC-AGI-3 世界模型

推荐理由：Twin 让智能体边玩边写世界模型，ARC-AGI-3 得分从 7.8% 提到 93.3%，效率还超过人类。看看它怎么猜规则。

原文

10:31

官方账号arXiv cs.AI@Zian Meng, Zhen Li, Chuanhao Li, Qiang Li, Kaipeng Zhang

精选

Marionette将游戏世界建模拆成三步：两阶段自回归模型预测276维的显式3D世界状态，零参数渲染器用闭式解计算几何与遮挡，视频扩散模型生成逼真RGB画面。实验中，强制注入错误动作使关节误差改变31%；状态层加两条规则后，地面穿透减少66%，角色间距从漂移到21.2米恢复至5米附近。生成视频的FVD为831，与基于真实姿态的799相比无明显损失。

论文 Marionette 世界模型视频生成

推荐理由：想让游戏世界模型长时间不崩？Marionette把状态、几何、外观分开处理，加规则就能修穿模，实测穿透降66%。

原文

8月15日

13:50

13:50IT之家（博客/媒体）

凯迪拉克全新 XT5 PHEV 将于 8 月 21 日成都车展预售，成为首款量产搭载 Momenta R7 世界模型的豪华混动 SUV。新车采用奥特能 5C 三元锂电池，配 1.5T 发动机（最大功率 115kW）和前后双电机（160kW/110kW）。电池容量 35.5kWh，WLTC 纯电续航 155km，综合油耗 6.05L/100km。Momenta R7 世界模型于 2026 年 4 月发布，通过三层架构实现对物体物理特性和运动因果的解析，可应对开门杀、滚落苹果等突发场景。

AI产品凯迪拉克 XT5 Momenta R7

推荐理由：凯迪拉克把 Momenta R7 世界模型装进 XT5 PHEV，8月21日成都车展预售，能处理滚落苹果、开门杀这种突发状况，还带城区 NOA。

原文

8月14日

22:50

Gary Marcus@GaryMarcus

精选

Gary Marcus 在推文中表示，神经符号世界模型正是他在2020年《Next Decade in AI》中主张的方向。他引用 François Chollet 和 Jeremy 的工作，认为 LLM 引导的即时符号世界模型综合很强大。目前 ARC-AGI-3 上所有顶级 harness 都采用这种方法。他提到这是基准发布时推荐的做法，并高兴 ARC 3 推动了该领域研究。

AI模型 ARC-AGI-3 神经符号模型世界模型

推荐理由：Gary Marcus 说 ARC-AGI-3 上跑得最好的都用了神经符号世界模型，想看这方向为什么牛，可以读这条。

原文

12:03

官方账号arXiv cs.AI@ AlayaWorld Team, Kaipeng Zhang, Chuanhao Li, Yifan Zhan, Yongtao Ge, Yuanyang Yin, Jiaming Tan, Kang He, Liaoyuan Fan, Mingliang Zhai, Ruicong Liu, Xiaojie Xu, Xuangeng Chu, Zhen Li, Zhengyuan Lin, Zhixiang Wang, Zian Meng, Zihui Gao

AlayaWorld v1.1技术报告发布，提出改进版交互式长时程世界建模。新版本将空间记忆由深度扭曲法改为流式3D点缓存渲染器。视觉条件被编码到与生成视频一致的因果VAE潜空间中。具体包括六处修改：采用运动感知潜条件、因果编码重渲染空间记忆等。报告未改变主干架构与分块自回归生成方案。

AI模型 AlayaWorld 世界模型视频生成

推荐理由：AlayaWorld v1.1报告出来了，空间记忆换成了3D点缓存渲染，条件编码统一到因果VAE，做世界模型的值得瞄一眼。

原文

11:52

官方账号arXiv cs.AI@Avinash Kori, Fabrizio Russo

这篇论文从因果视角研究世界模型，提出超越生成能力、捕捉实体属性及其交互的因果世界模型（CWM）正式定义。作者将世界建模与因果表示学习、目标中心学习、因果发现、结构因果模型及基于模型的决策制定等工作联系起来。论文还探讨了可识别性文献，澄清世界模型组件何时能从数据中恢复以及等价性边界。

论文世界模型因果推理因果表示学习

推荐理由：如果你在搞世界模型或因果推理，这篇把概念理清了，还连上了因果发现的现有工作，值得一看。

原文

10:31

官方账号arXiv cs.AI@Gehan Zheng, Matthew Johnson-Roberson, Weiming Zhi

ContactGuard 是一种用于分块视觉运动策略的接触前执行监控方法。它根据策略规划的动作块，在潜在视觉空间预测短期后果，若预测失败则中止执行。其潜在世界模型由未标注机器人轨迹训练，预测多视角视觉嵌入，避免像素级视频预测。在真实接触密集操作任务中，ContactGuard 比直接预测和破坏动作消融的失败预测更准确。该方法可作为真机预接触中止信号，无需修改底层策略。

论文 ContactGuard 世界模型机器人操作

推荐理由：接触密集操作总在碰坏了才发现问题？ContactGuard 在接触前看潜在视觉嵌入提前判断，能直接发中止信号，不用改策略。

原文

8月13日

18:15

18:15IT之家（博客/媒体）

71°

据彭博社报道，Anthropic PBC 正洽谈以约 60 亿美元（约合 405.41 亿元人民币）收购 AI 初创公司 Decart AI。知情人士称，双方尚未最终敲定这笔 60 亿美元的交易，谈判仍有破裂可能。Decart 主要帮助 AI 开发者提升不同芯片的性能，同时专注生成式视频领域。该公司使用世界模型（world models），可对实时视频画面进行即时修改。

行业 Anthropic Decart AI 视频生成

事件专题

推荐理由：Anthropic 花 60 亿美元买 Decart，这家公司做实时视频修改和芯片适配。

原文

18:12

官方一手marktechpost@Asif Razzaq

Dyna Robotics推出世界动作模型Dyna-2，预训练数据超过100万小时的第一人称人类视频。技术报告展示了在人类数据上至1M小时的缩放定律，并首次将该定律迁移到未见过的机器人数据。实验还表明，视频联合训练能推动跨实体泛化。该模型旨在让机器人从人类行为中学习动作执行。

AI模型 Dyna-2 Dyna Robotics 世界模型

推荐理由：Dyna Robotics把100万小时人类视频喂给机器人模型，搞出了Dyna-2，还验证了缩放定律能跨界到机器人数据，看它怎么做到跨实体泛化挺有意思。

原文

8月12日

16:26

16:26IT之家（博客/媒体）

凯迪拉克全新XT5 PHEV成为首款量产搭载Momenta R7世界模型的豪华混动SUV，展车已登陆全国经销商门店。Momenta R7于2026年4月发布，采用三层架构，可解析物体物理特性与运动因果关系，生成符合物理规律的车速调节与路径规划。该系统能应对早高峰通勤、复杂路口、自动泊车及突发状况，配合激光雷达与蜂鸟底盘实现高速及城区NOA领航辅助。新车搭载奥特能5C三元锂电池，WLTC纯电续航155km，综合油耗6.05L/100km。

AI产品 Momenta R7 凯迪拉克 XT5 PHEV

推荐理由：凯迪拉克把Momenta R7世界模型塞进XT5 PHEV，不用等OTA就能用，带激光雷达和蜂鸟底盘，能应对开门杀和滚落苹果，想买豪华混动SUV的可以看看。

原文

01:16

AI Will@FinanceYF5

精选

Dyna Robotics推出Dyna-2，这是一个世界动作模型，预训练数据超过100万小时的人类视频，相当于约170年不间断的清醒经验。该模型的核心在于其背后的扩展定律，目前仍在持续攀升，尚未显现天花板。Dyna-2的发布标志着机器人领域在数据规模上的新突破，为机器人行为学习提供了更丰富的先验知识。

AI模型 Dyna-2 Dyna Robotics 机器人

推荐理由：Dyna Robotics出了个新模型Dyna-2，用100万小时人类视频训练，相当于170年经验，机器人学习的新路子，值得看看。

原文

8月11日

16:29

16:29IT之家（博客/媒体）

韩媒ZDNet Korea报道，三星电子正集结全公司力量加快人形机器人研发，除子公司Rainbow Robotics外，三星也在独立开发人形机器人，水平或已超过韩国主要同类产品。三星拥有家电、移动设备、半导体等众多制造基地，可获取真实生产数据，并拥有自研AI模型Samsung Gauss。三星还在开发世界模型，通过视频数据学习物理规律，让机器人行动前先预测模拟结果。执行器也由三星自主开发，预计用上家电电机技术。上月三星成立RX事业推进室，直接归代表理事卢泰文领导，并计划在龟尾事业场建设数据工厂用于机器人训练。

AI产品三星人形机器人 Rainbow Robotics

推荐理由：三星这次是动真格了，除了子公司Rainbow，自己也在搞人形机器人，还挖了波士顿动力背景的人来带队，想看看它能不能靠家电底子做出差异化。

原文

10:34

量子位@允中

五大高校联合发布了首份机器人三视角世界模型评测。评测聚焦三视角世界模型的稳定性表现，回答"谁更稳"这一核心问题。五大高校表示榜单将持续更新。

AI模型世界模型机器人三视角

推荐理由：五大高校做了个机器人三视角世界模型评测榜，谁更稳看榜单就清楚了，之后还会持续更新。

原文

03:32

elvis@omarsar0

精选

Dyna Robotics发布世界动作模型Dyna-2，在100万小时人类第一视角视频上预训练。该模型能联合预测未来视频和未来动作，在行动前推理结果。研究首次发现，从1000到100万小时的人类数据上，世界动作模型呈现四个数量级的缩放定律。该缩放定律还能迁移到从未见过的机器人数据上，且视频数据与世界建模对跨具身缩放迁移至关重要。

AI模型 Dyna-2 Dyna Robotics 世界模型

推荐理由：Dyna Robotics放出了个叫Dyna-2的世界动作模型，用100万小时人类视频训的，能预测未来再行动，还发现了数据量越大越强的缩放规律，值得看看。

原文

8月10日

11:25

官方一手arXiv: DeepSeek@Devin Pereira, Willem Zuidema

精选

论文研究Transformer在河内塔规划任务中的表现，发现小型自训练模型能涌现出线性可解码的几何世界模型（谢尔宾斯基三角），该模型与解题存在因果关联。对Qwen3.6-27B和DeepSeek-R1-Distill-Qwen-32B两个前沿推理模型的分析显示，它们能在提示末尾近乎完美地编码该世界模型，但圆环数超过3个时仍会在多数任务上失败。探针实验表明失败源于规划过程中世界模型表征的衰减，而非缺失。在推理时注入提示阶段的表征可部分恢复性能。

论文 Qwen3.6-27B DeepSeek-R1-Distill-Qwen-32B 世界模型

推荐理由：这篇论文说推理模型其实能建出世界模型，但解题中途就弄丢了。它用小模型和可解释性方法把问题定位得很清楚，还给出了补救办法。

原文

10:53

官方账号arXiv cs.LG@Xinyi Li, Zaishuo Xia, Chenjie Hao, Yubei Chen

论文提出直接预测世界模型DPWM，将任意长度的动作序列压缩为单一嵌入，单次前向预测终点观测。DPWM避免了递归卷展，使长时程端到端训练在自回归训练不稳定的尺度上可行。在连续控制和像素级基准上，DPWM相比递归世界模型大幅提升长时程终点预测，且预测时程越长优势越大。实验还显示，用同样的长时程目标重训递归基线也获得类似提升，说明训练目标而非骨干结构是主要驱动力。

论文 DPWM 世界模型长时程预测

推荐理由：这篇论文把世界模型的训练目标改成直接预测终点，DPWM在长时程预测上比递归模型准很多，而且越长优势越明显。想搞长时程决策的可以看看。

原文

10:49

官方账号arXiv cs.LG@Xindi Wu, Sven Elflein, James Lucas, Olga Russakovsky, Laura Leal-Taixé, Despoina Paschalidou, Jonathan Lorraine, Aljoša Ošep

交互式视频世界模型依赖键值缓存作为视觉记忆，但生成超过训练长度后，时间旋转位置编码偏移超出训练范围，模型无法通过注意力可靠寻址已存储内容。论文提出WorldTrace，一种无需训练的长期视觉持久化记忆框架，通过为每个摘要槽分配分布内的虚拟位置保持可寻址性。WorldTrace-Field压缩历史以提升时序一致性，WorldTrace-Landmark在场景转换处存储逐字轨迹用于情节回忆。在LoopBench基准上，WorldTrace-Field将时序一致性提升15.5%，WorldTrace-Landmark将情节回忆提升19.5%。

论文 WorldTrace LoopBench 世界模型

推荐理由：看这个，论文解决了视频生成模型长视频记忆丢失的问题，不重新训练就能把一致性拉高15个点，做视频生成的人应该关心。

原文

8月9日

06:50

官方账号Yann LeCun@ylecun

LeCun在推文中指出，长期研究常被追求短期效益的公司管理层视为浪费时间。他认为，若相信AGI靠LLM scaling就能实现，则研究世界模型等新概念会被看作徒劳。LeCun与Demis认为AGI还需要更多概念性突破，因此他选择更贴近研究、远离产品管理的角色。他始终支持高质量LLM研究，但强调LLM只是有用技术，不是人类级AI的最终答案。

行业 LeCun 世界模型 AGI

推荐理由：LeCun出来聊长期研究和LLM了，说AGI还得靠新概念，他看好世界模型，跟主流scaling路线唱反调。

原文

8月8日

23:28

Y Combinator@ycombinator

YC Paper Club 本期聚焦机器人学，回顾了过去十年反复出现的“明年机器人就解决”的承诺。多位研究者展示了最新论文，如 MEM（多尺度具身记忆）用于视觉语言动作模型，以及 SimToolReal 实现零样本灵巧工具操作。演讲还讨论了遥操作如何催生下一代机器人公司，以及 VLA 之后的世界动作模型。

论文机器人 VLA 世界模型

推荐理由：这期请了一堆机器人研究者，讲 VLA 和世界模型新论文，还有遥操作创业观点，挺干货。

原文

8月6日

10:36

官方一手Pandaily@contact@pandaily.com (Pandaily)

西湖大学研究员于开成创立的 Awomo 获得1亿元种子轮及天使轮融资，其创始人首次公开阐述概念空间世界模型。该模型与数据驱动的大规模扩展法则不同，强调隐式概念空间推理。于开成曾参与撰写现有规模扩展法则，如今转向新的技术路线。目前该项目仍处于早期，尚未公布完整基准测试结果。

AI模型 Awomo 于开成西湖大学

推荐理由：于开成拿了1亿融资，做了个不走老路的世界模型，跟scaling law对着干，值得看看

原文

8月4日

09:46

官方账号arXiv cs.AI@Kapil Wanaskar, Gaytri Jena, Aman Chadha, Vinija Jain, Vasu Sharma, Amitava Das

FactorJEPA提出将世界结构作为预测原语，把未来编码分解为布局、实体和交互三个子空间，并设置可见性门控来保留局部可见的智能体。研究新增DENSEWORLD-115k数据集，包含22个城市的1000小时行车、步行和航拍视频。相比现有JEPA方法，FactorJEPA在未来帧L1、因果L1和掩码比率斜率上均有提升。方法在2B和1B参数的V-JEPA 2.1骨干上排名一致，斯皮尔曼系数为0.895至0.978。

AI模型 FactorJEPA DENSEWORLD-115k V-JEPA 2.1

推荐理由：研究拥挤混乱街景的世界模型，发布了新模型和115k数据集，比传统JEPA更擅长处理遮挡和异构交通。

原文

7月31日

11:49

官方账号arXiv cs.AI@Zexuan Yan, Yuzhou Wu, Yue Ma, Zonghang He, Kaibo Yin, Xiaobing Tu, Yinggui Wang, Jinkui Ren, Xiantao Zhang, Shijian Wang, Jinghong Liu, Linfeng Zhang

EgoGenesis是一个基于预训练视频生成先验的自我中心世界动作模拟器，用于合成可控的操作视频。它通过在线锚定投影记忆（OAPM）保留第一帧3D场景锚点，并用Action-3D RoPE编码末端执行器运动。将400条真实轨迹与400条EgoGenesis生成轨迹合并后，单臂任务真实机器人成功率从77%提升至84%。双臂任务成功率从53%提升至70%，说明合成数据能显著改善下游世界动作模型的泛化。

论文 EgoGenesis 视频生成具身智能

推荐理由：EgoGenesis是个能生成机器人操作视频的工具，用400条合成数据就把单臂成功率从77%提到84%，双臂从53%提到70%，挺厉害。

原文

7月30日

22:05