世界模型

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。