世界模型

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。

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。

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。

这篇论文将世界模型重新定义为“面向智能体的交互式世界代理”，不再只关注未来状态预测，而是强调能直接帮助智能体决策、学习和自我改进的反馈。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

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。

AlayaWorld 试图把文本、图像或视频输入转化为可探索、可持续演化的虚拟环境。它围绕长时程一致性、交互控制和推理效率，提出了一套基于视频扩散 Transformer 的世界建模方案。

ABot-World-0 试图把“可控制的视频生成”推进到可实时闭环交互的世界模型形态。它围绕数据、训练蒸馏和推理系统做了端到端设计，在单张 RTX 5090 上实现 720P 最高 16 FPS 流式生成。

这篇论文提出 Masked Visual Actions，把动作表达为视频中某个实体被部分揭示的像素轨迹。它让同一个视频模型既能预测机器人动作带来的场景变化，也能从目标物体运动反推机器人应如何行动。