Zing-0.5:让生成式世界模型真正变得可玩
Zing-0.5 是一个面向交互体验的 5B 自回归世界模型,支持键盘操作与在线文本指令的联合控制。它在 832×480 分辨率下实现 24 FPS 推理,并通过事件级训练提升连续生成的一致性。
阅读全文Zing-0.5 是一个面向交互体验的 5B 自回归世界模型,支持键盘操作与在线文本指令的联合控制。它在 832×480 分辨率下实现 24 FPS 推理,并通过事件级训练提升连续生成的一致性。
阅读全文Pelican-Sim 1.0 是一个面向具身智能的通用世界模型模拟器,尝试用统一动作空间预测机器人执行动作后的未来观测。通过动作视频注入、稀疏 MoE 和快速 rollout,它在多项机器人基准与下游任务中取得明显提升。
阅读全文Recursive Code World Models提出一种递归式代码世界模型,让视觉语言编码代理从单张参考图像出发,以“整体—局部—整体”的循环逐步构建复杂3D世界。该方法试图在细节还原与全局空间关系之间取得更好平衡。
阅读全文World in World 提出一种无需重新训练的推理接口,将视频观测、目标视角投影、几何线索和历史生成结果统一送入冻结的视频世界模型。它试图解决视角切换、长时探索和回访一致性之间的协调难题。
阅读全文自动科研智能体的训练瓶颈,可能不在大模型生成,而在每条轨迹都必须真实执行。该论文提出 WMRL,用世界模型替代部分环境执行,并通过去偏与降噪提升训练效率。
阅读全文Programmable World Model 试图解决交互式视频模型难以长期记住世界状态、执行固定规则的问题。它把状态演化与画面生成拆开,用可执行程序管理世界,再交给视频模型负责渲染。
阅读全文OpenWAM 提出一套模块化、开放的世界—动作模型研究栈,试图拆解生成模型、视觉表征、动作建模与训练数据之间的耦合关系。研究总结出三项设计原则,并发布基于约6400小时数据预训练的 OpenWAM-α。
阅读全文AgiBot Research Team提出GE-Act 2.0,尝试不依赖预训练视频生成器,从操作数据出发训练世界动作模型。实验显示,扩大跨来源训练数据后,机器人在未见场景中的零样本操作能力明显提升。
阅读全文WorldSculpt 探索将单物体 3D 生成模型迁移到多视角视频,用于重建包含数百个物体的可组合场景。其核心思路是在共享世界坐标系中分别生成物体网格,并借助多视角观测补足严重遮挡下的缺失几何。
阅读全文光象科技与清华团队提出的 Phi-WM 1.0 ActEffect,不让世界模型参与机器人在线执行,而是用它在训练阶段评估动作后果。测试显示,这种“训练时思考、部署时轻装”的路线,在多项机器人操作基准上取得了较好表现。
阅读全文Puffin-World尝试用一个统一的多模态架构,同时完成物理理解、空间模拟、3D世界生成与重建。它将重力与纬度、深度和图像作为原生世界状态,并通过统一相机表示支持灵活视角运动。
阅读全文SolarWM试图解决视频世界模型研究中的数据异构、骨干网络适配和长时推理难题。项目通过统一数据契约、原生骨干适配和三阶段训练流程,让仅使用5秒训练片段的模型支持分钟乃至小时级交互式生成。
阅读全文ZimaBlue提出一套从第一视角视频学习世界动作模型的训练框架,试图缓解机器人轨迹数据昂贵、稀缺且多样性不足的问题。研究还通过Slow-Fast异步架构,在保持模型容量的同时提升实时控制能力。
阅读全文H3-World 基于 33B MiniMax-H3 视频生成器,将自然语言控制扩展为带有时间定位的角色与镜头控制。它不新增专用动作模块,而是通过轻量 LoRA 适配,把已有的视频语义能力转化为交互式世界控制。
阅读全文World Labs推出世界模型 Atlas,试图把图像、视频、文本、相机位姿和深度信息统一到同一个空间上下文中。它不仅能生成受控视角内容,还瞄准3D重建和机器人 Real-to-Sim。
阅读全文视频生成模型可以拍出看似合理的未来,但这并不意味着它理解了同一条件下可能发生的多种结果。PAWBench 将评测重点从单条视频的 plausibility 推向行为分布是否正确。
阅读全文GameWAM 将世界模型与行动策略合并为一个闭环系统,能够根据游戏画面预测未来状态,并生成可执行的键鼠轨迹。它还探索了长时程控制和生成式动作模型中的低频偏置问题。
阅读全文新论文提出,世界模型的扩展不应只依赖更多网络视频,还需要能持续产生可靠奖励信号的数据引擎。游戏引擎提供的碰撞、物理和可导航性检查,或能为空间智能的强化学习后训练补上关键一环。
阅读全文Code World Model 试图解决视频世界模型难以维持长期状态和规则一致性的问题:由编码智能体管理世界状态,再由视频模型负责视觉呈现。
阅读全文一项系统性综述以传统模拟器的八项能力为标尺,评估世界模型从“生成看起来合理的世界”走向“可计算、可控制、可复现仿真”的进展与缺口。研究指出,状态反馈和长时程稳定性仍是关键短板。
阅读全文ReWorld 将短期动作控制与长期场景记忆分开训练,并在推理时通过有限 KV 缓存和基于位姿的地标检索控制计算量。论文还通过统一动作尺度、回环轨迹和蒸馏技术,让同一模型兼顾高质量生成与实时交互。
阅读全文