EchoWM:让世界模型同时看见、听见并响应连续移动
EchoWM提出一种可进入式全模态世界模型,用户持续改变观察轨迹时,系统能够同步生成720p视频、环境音、音乐与语音。其核心是把离散指令和连续姿态统一到共享的相对6自由度轨迹中,并兼顾第一人称与第三人称场景。
阅读全文EchoWM提出一种可进入式全模态世界模型,用户持续改变观察轨迹时,系统能够同步生成720p视频、环境音、音乐与语音。其核心是把离散指令和连续姿态统一到共享的相对6自由度轨迹中,并兼顾第一人称与第三人称场景。
阅读全文ForgeWM提出一套渐进式因果训练方案,将双向动作条件视频生成器转化为适用于交互游戏的少步世界模型。它在降低推理延迟的同时,试图保持键盘、鼠标和手柄动作与视频演化的一致性。
阅读全文WorldRover 提出一套基于虚幻引擎的合成数据引擎,将长时探索视频与深度、轨迹、光流和三维点跟踪等标注同步生成。它试图为需要持续建模、记忆和交互的世界模型提供更完整的训练数据。
阅读全文StateFlow 提出一种以“持久3D世界状态”为核心的生成式预演框架,用于电影、游戏、建筑和城市设计等场景。它不再把视频一次性生成完,而是先构建可编辑世界,再围绕状态演化和相机访问进行迭代。
阅读全文视频世界模型的问题不只在于“看起来像”,更在于长时间滚动后会不会偏离真实状态。WorldCycle 提出用可逆动作循环作为无需标注的监督信号,把“能否回到起点”变成训练目标。
阅读全文MiniWorld 试图把视频世界模型的训练门槛从“依赖大型预训练模型与复杂后训练”拉回到可复现的端到端流程。它面向具身智能与交互式模拟,强调因果流式推理、有限算力和开放代码。
阅读全文WCM 试图解决机器人 VLA 强化学习中的一个关键短板:在部分可观测环境下,critic 只看单帧或弱历史特征,难以准确评估动作价值。它通过联合预测未来潜在状态与估计价值,让 critic 学到更具时间结构的表示。
阅读全文Roomer 针对 3D 室内布局生成中的局部错误提出反思式修复框架,把碰撞、越界、开口遮挡和通行受阻等问题定位到具体物体,并在验证通过后才提交修改。
阅读全文WorldExam 提出一套面向可控视频世界模型的分层诊断基准,重点不只看画面质量和指令完成度,还要检验模型是否能根据场景状态产生合理反应。
阅读全文ODEWorld 将世界模型从“逐帧预测”转向“连续时间演化”,通过在潜空间中学习 ODE 速度场来描述物理动态。它的目标是在视频预测与机器人规划中,同时兼顾长期一致性、视觉重建质量和可用于决策的动态抽象。
阅读全文Hugging Face Daily Papers 收录的 Mental World Modeling 提出:只模拟物理场景不足以预测人的行动,模型还必须显式追踪信念、目标、情绪与社会约束等心理变量。
阅读全文QQWorld 关注潜在世界模型中一个容易被忽视的问题:潜在表示的分布尾部如果偏离高斯假设,规划性能可能受到影响。论文提出以分位数-分位数匹配替代 EP 正则,让尾部样本也能获得更有效的校正信号。
阅读全文World Labs收购机器人仿真公司SceniX,显示世界模型正从“生成可观看空间”转向“模拟行动后果”。物理AI的下一轮竞争,可能不只是数据规模,而是谁能构建更多可训练、可评测、可复用的虚拟世界。
阅读全文PhiZero 提出一种围绕“物理语言”构建的物理世界模型,把世界状态变化压缩成离散表示,再用于推理和视频生成。它试图把传统像素级预测中的隐式动力学,转化为更可解释的中间推理过程。
阅读全文ShadowDancer 试图解决交互式视频世界模型的关键难题:如何把一个示范视频中的动作,可靠迁移到新的场景中。它通过“同一动态、不同外观”的视频配对,让模型学习更纯粹的动作表示。
阅读全文李飞飞创办的 World Labs 发布 R2S2R 引擎,试图把真实机器人任务重建为可交互仿真世界,再把仿真中训练和评估出的策略部署回现实硬件。
阅读全文Wonder 试图把视频生成推进到“可游玩世界”的形态:用户可从一张图或一段视频出发,通过移动摄像机实时探索未见区域,并在长时间生成中保持场景一致性。
阅读全文NVIDIA 在 Hugging Face 发布 Cosmos-H-Dreams,将外科手术生成式模拟从离线视频预测推进到可闭环控制的实时环境。其核心是把 Cosmos-H-Surgical-Simulator 蒸馏为因果、少步生成的学生模型,并通过 FlashDreams 加速推理。
阅读全文WorldWeaver 提出在流式自回归扩散视频模型中加入“世界状态寄存器”,用于跨智能体、跨视角维护共享环境信息。它把多智能体世界模型从单纯延续画面历史,推进到显式追踪状态一致性的方向。
阅读全文兔展智能联合北大、鹏城实验室推出的 UniWorld-View 登顶李飞飞团队 WorldScore 榜单,并已开源代码与权重。它的关键看点在于:用统一模型处理单图 3D 与视频 4D 新视角生成,并强化相机位姿控制。
阅读全文