世界模型

Alaya Lab 提出的 AlayaRenderer-Flash 将生成式世界渲染从 0.56 FPS 提升到 31.54 FPS，让由物理引擎驱动的交互式场景接近实时可玩。它不是用文本直接“想象”视频，而是在保留世界状态和动力学的前提下合成 RGB 画面。

这项工作把“文学世界模拟”从静态角色扮演推进到长程演化：角色会变化，场景会推进，世界状态也会被持续更新。它的重点不是单次生成，而是让多轮互动保持一致性与延续性。

这篇论文把文本世界模型重新定义为可控的状态转移问题，并提出用 Masked Diffusion Language Models 缓解自回归模型的左到右偏置。实验显示，MDLM 在一致性、扎根性和 rollout 多样性上优于更大参数量的自回归模型。

NVIDIA 在 Hugging Face 上发布 Cosmos 3 Edge，一个面向机器人与视觉 AI 的 4B 参数开放世界模型。它试图在边缘设备上同时承担场景理解、未来预测与动作生成任务。

DSWorld 将世界模型思想引入自治数据科学智能体，通过预测操作后的状态变化，减少昂贵的试错执行。论文称，该框架可将强化学习训练加速约 14 倍，并将搜索式推理加速约 3 至 6 倍。

字节跳动团队提出 UniVR，尝试让模型仅从视觉演示中同时学习复杂推理、细粒度物理动态和长期规划。其核心在于 VR-GRPO 强化学习范式，以及面向纯视觉协议的 VR-X 基准。

一篇新论文将“视频生成式游戏引擎”的讨论拉回到传统游戏引擎的基本循环：动作、状态与观察。作者认为，真正可玩的交互世界不仅要生成画面，还要让规则、后果与状态在长时间内保持一致。

arXiv 新论文提出 M⁴World，一个可生成环视视频与同步 LiDAR 的驾驶世界模型，重点解决可控场景编辑与长时间稳定生成两类问题。其亮点在于支持对象级操控，并能以在线因果方式进行分钟级连续流式生成。