AITOP

世界模型

共 173 条相关 AI 资讯
8月25日
11:11
11:11官方账号arXiv cs.LG@Andrej Orsula, Miguel Olivares-Mendez, Carol Martinez
针对太空机器人极端环境中的硬件退化问题，提出一种无奖励持续学习框架，利用潜在状态世界模型进行在线适应。通过在多样化模拟中预训练模型代理，世界模型学习其潜在空间中的奖励结构预测器。在部署到硬件退化严重的环境中，仅通过无监督回滚更新世界模型的转换动态。通过训练策略以更新后的世界模型生成的想象轨迹，代理适应改变的动力而不需要新的奖励。在模拟行星穿越、轨道导航和精密组装任务中展示了该方法的有效性。
论文智能体持续学习太空机器人
推荐理由：这篇论文提出了一种无奖励持续学习框架，对于太空机器人适应硬件退化问题有重要意义，值得一读。
原文
10:47
10:47官方账号arXiv cs.AI@Richard Bao
研究测试了仅通过摆动视频训练的冻结DreamerV3模型是否学会了一个标量，该标量在自身的潜在转换中被视为近似守恒。无标签搜索在独立训练的保守模型中恢复了相同的能量类不变量，而在匹配阻尼模型中找不到类似的变量。在自主运行期间，该量值发生漂移。将潜在状态投影回其初始水平集可以减少所有三个保守模型的运行错误，而匹配随机约束通常会增加错误。这些结果区分了动态意义上的不变量与仅可解码的相关性，并揭示了一个具体的失败模式：世界模型可以从像素中学习物理约束，但在想象未来时违反该约束。
论文DreamerV3物理不变量世界模型
推荐理由：这篇论文揭示了世界模型在处理物理约束时的局限性，为改进模型提供了有价值的见解。
原文
8月23日
17:03
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
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 JEPAJEPAMeta 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
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CaliBenchVeo 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
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
10:44
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TwinARC-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
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XT5Momenta 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
12:03
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
10:31
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
18:12
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-2Dyna 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
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
03:32
8月10日
11:25
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Qwen3.6-27BDeepSeek-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
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
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WorldTraceLoopBench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
8月8日
23:28
8月6日
10:36
8月4日
09:46
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FactorJEPADENSEWORLD-115kV-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
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
22:05官方账号Decoder@Maximilian Schreiner
Google DeepMind 研究员 Tom Zahavy 在题为“LLMs can't jump”的立场论文中认为，语言模型缺乏创造全新事物的认知机制，因此无法引发科学革命。文章指出，语言模型只能在其训练数据分布内插值，而真正的科学突破需要跳出现有知识框架。作为替代方案，Zahavy 提出“世界模型”可能具备这种能力，因为它们能模拟因果结构和进行反事实推理。该论文并未给出具体基准或数字，而是从哲学和认知科学角度提出理论观点。
论文Google DeepMindTom ZahavyLLMs can't jump
推荐理由：DeepMind 的 Tom Zahavy 说了个大实话：LLM 搞不了真正的新发现，得靠世界模型。不是泛泛空谈，有论文为证。
原文
17:42
15:55
01:57
01:57官方账号NVIDIA AI@NVIDIAAI
81°
在SIGGRAPH2026上，NVIDIA Cosmos Lab副总裁刘明宇宣布了Cosmos-Dreams，一种神经闭环模拟器。他展示了该模拟器的完整演示，并阐述了世界模型作为物理AI数据引擎的理念。Cosmos-Dreams旨在将数据从被动收集转变为主动计算生成。
AI产品NVIDIACosmos-DreamsCosmos Lab
事件专题
推荐理由：NVIDIA在SIGGRAPH上发布了Cosmos-Dreams，一个能主动计算生成训练数据的模拟器。物理AI开发不再只靠收集数据了，看看演示视频吧。
原文
7月29日
19:20
19:20官方一手pandaily@contact@pandaily.com (Pandaily)
比亚迪AI团队首次公开HyWorldVLA混合世界模型，采用像素-潜在混合世界建模与VLA架构，在NAVSIM v1基准上取得90.59 PDMS，达到SOTA。该模型由比亚迪与哈尔滨工业大学机器人研究人员合作开发。这一成绩标志着比亚迪正式进入自动驾驶基础模型赛道。
AI模型HyWorldVLA比亚迪NAVSIM
推荐理由：比亚迪悄悄拿出的HyWorldVLA，在NAVSIM上直接以90.59分拿下SOTA，这是他们首次秀自动驾驶基础模型肌肉。
原文
16:34
11:36
11:36官方账号arXiv cs.LG@Gaspard Lambrechts, Adrien Bolland, Daniel Ebi, Damien Ernst
论文提出Reinformed Dreamer算法，通过潜在引导改进不对称表示学习，解决了Informed Dreamer在特权信息表示上的局限。在多个强化学习基准测试中，相比Dreamer基线，Reinformed Dreamer表现出更一致的性能提升。该方法利用训练期间的额外监督信息学习更好的观察和特权信息表示。
论文Reinformed Dreamer强化学习世界模型
推荐理由：如果你做强化学习，特别关注世界模型，这篇论文提出Reinformed Dreamer，用潜在引导训练不对称表示，比Informed Dreamer更稳定地超越Dreamer。
原文
00:44
7月28日
22:14
15:35
15:35量子位@henry
精选72°
研究人员利用50万小时视频数据训练出首个隐式触觉世界动作模型。该模型能够根据视觉输入生成对应触觉信号。在机器人操作任务中，它实现了比纯视觉模型更精准的动作预测。这项研究将触觉感知融入了世界模型框架。
AI模型触觉世界模型50万小时视频世界模型
推荐理由：团队用50万小时视频让模型学会预测触觉，这在之前没人做到过。它能帮机器人提前感知物体触感，操作更稳。
原文
10:34
10:34官方账号arXiv cs.AI@Liangyu Li, Qingwen Liu, Mingqing Liu
论文揭示基于采样和潜在世界模型的控制器存在“提议过度生成”问题：当候选动作序列池从72增加到288，可行性从0.375降至0.062（位置目标）、0.344降至0.031（位置加偏航目标），即使大池中始终包含可行序列。作者提出相邻集动作重建(ASAR)方法，通过测量低代价序列的密度并从相邻集重建完整动作。在Carry and Release评估的75个查询中，Kernel ASAR在72、144、288个提议下分别将事件完成成功率提升28.0、24.0、18.7个百分点（潜在成本下）及18.7、20.0、17.3个百分点（轨迹可达性成本下）。
论文ASARCube世界模型
推荐理由：这篇论文发现了世界模型选动作的隐性陷阱：候选越多反而越容易选错。ASAR用相邻集合重建的方法，在75个机器人任务上提升了最多28%的成功率，值得搞机器人控制的看看。
原文