世界模型

一项研究将GUI世界模型从“重建未来屏幕”转向“预测动作带来的潜在变化”，试图让智能体以更低成本做出更有效的操作决策。

腾讯 ARC Lab 提出 Multics，通过玩家、群组和全局三级通信，缓解多玩家世界模型中的计算扩展与信息干扰问题。该方法还能依据摄像机轨迹动态组织玩家，并支持从 4 人训练扩展到更多玩家推理。

WOVEN 将空间、具身、物理与时间推理统一为“视觉转移推理”，并用结构化生成视频数据训练这一共享能力。实验显示，少量训练样本也能为多个外部任务带来迁移收益。

RSI-Anything 将预测式世界模型引入递归自我改进，让智能体根据反馈持续更新策略、工作流与模型。论文在代码修复、GUI 操作和科学实验规划等任务中展示了跨领域效果。

华为诺亚方舟实验室联合UCL等团队推出Memento 3，在ARC-AGI-3的25款游戏、183个关卡中取得满分。它不改动大模型参数，而是通过规则手册和可执行世界模型持续修正策略。

曾因训练集群争议被字节跳动索赔的实习研究员田柯宇，两年后创办隐身公司并获得近3000万美元融资，投后估值达到2亿美元。其团队尚未公布产品，核心方向是世界模型。

DreamTrue 面向多视角、跨本体机器人视频预测，试图解决动作条件不准和失败交互样本不足两大问题。该方法通过几何校准、反事实后训练和具身视频奖励模型，提升预测结果的动作一致性与物理合理性。

WorldGuide 将程序化视频生成建模为一个闭环任务执行过程：模型根据当前视觉状态规划下一步原子动作，生成对应视频，再依据结果继续执行或结束任务。研究团队同时推出包含约 5.9 万段分步标注视频的 WorldGuide Bench。

Trace2Env提出一种无需重建原系统的语言世界建模方法：利用历史交互轨迹，构建能够持续维护状态、模拟环境反馈的世界模型代理。它为智能体训练、评测和工具仿真提供了新的实现路径。

WorldSonus 面向交互式世界模型，将视频转化为可实时生成、可动态控制并具有空间方向感的立体声音。论文报告其实时因子达到 0.41，并在开放域视频到音频任务上展现出较强泛化能力。

Meta 团队提出 RoboJEPA，用覆盖 12 种机器人形态的真实数据训练潜在世界模型，并研究其能力如何随算力扩展。结果显示，潜在想象误差与真实机器人规划表现之间存在稳定关联。

一项新基准不再只凭视觉观感评价视频世界模型，而是直接测量其中可观察的物理关系。对8个视频生成模型的测试显示，当前模型在跨物理领域的一致性仍然有限。

HLA-WM 将几何引导的历史检索与递归线性注意力结合，在不增加训练的情况下改善长时视频生成中的场景回访一致性与相机控制，同时显著降低历史状态的存储成本。

RealtimeWAM通过一步动作生成与跨专家异步流水线，针对世界动作模型的两类推理瓶颈进行优化。论文称其在多项机器人基准上实现接近无损的准确率，并在H100上取得最高25倍端到端加速。

视频世界模型依赖不断增长的 KV Cache 保持长时序一致性，但低比特量化可能引发严重闪烁。QuantWM 从注意力偏移出发，提出无需训练的 2 比特量化方案。

JEPA-TTT 为预训练 JEPA 世界模型加入持续测试时训练，使智能体能够在环境动力学发生变化后，利用自身观测逐步修正潜在预测器。实验显示，这种不依赖在线奖励的适应方式显著提升了规划表现。

ProWAM 为世界动作模型引入有序视觉子目标，让机器人不必生成完整视频，也能获得分阶段的行动指引。论文报告显示，该方法在多个仿真基准上提升了长程任务与分布外场景的表现。

HelixWorld 将空间立体声纳入实时交互式世界模型，使视觉场景与声音随用户的视角和动作同步变化。论文还提出流式蒸馏方案与 HelixBench，用于评估声音是否真正跟随相机运动。

World Embedding Benchmark 用 8,000 个受控仿真案例，评估视频表征能否对齐物理概念并恢复定量属性。研究发现，视频嵌入可能保留物理信号，却未必能将这些信号与文本可靠对应起来。

World Observer 将“行动视角”和“观察视角”分离，通过联合生成多个视角，让离开智能体视野的物体仍能持续演化。该方法还利用全景源和高分辨率参考，改善物体重新进入视野时的状态与外观一致性。

AutoGUIWorld 将图像生成模型的视觉先验与规划器结合，在不实际部署软件环境的情况下生成 GUI 交互轨迹。研究显示，这种方法能够为跨操作系统的计算机使用智能体提供更丰富的训练数据。