机器人 / 具身智能

Sora as a World Model? A Complete Survey on Text-to-Video Generation

Sora作为世界模型？文本到视频生成的全面调查

Fachrina Dewi Puspitasari, Chaoning Zhang, Joseph Cho, Adnan Haider, Noor Ul Eman, Omer Amin, Alexis Mankowski, Muhammad Umair, Jingyao Zheng, Sheng Zheng, Lik-Hang Lee, Caiyan Qin, Tae-Ho Kim, Choong Seon Hong, Yang Yang, Heng Tao Shen

机构 * University of Electronic Science and Technology of China（电子科技大学） ； Kyung Hee University（韩国庆熙大学） ； The Hong Kong Polytechnic University（香港理工大学） ； Harbin Institute of Technology Shenzhen（哈尔滨工业大学深圳学院） ； Nota Inc.（Nota公司） ； Tongji University（同济大学） 纠错

专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV

AI总结 本文全面调查了文本到视频生成技术在世界建模中的应用，指出其在空间、行动和战略智能方面的进展，但仍需解决多样性与一致性之间的权衡问题。

Comments First complete survey on Text-to-Video Generation from World Model perspective, 35 pages

"Just in Time" World Modeling Supports Human Planning and Reasoning

即时世界建模支持人类规划与推理

Tony Chen, Sam Cheyette, Kelsey Allen, Joshua Tenenbaum, Kevin Smith

机构 * MIT Department of Brain and Cognitive Sciences（麻省理工学院脑科学与认知科学系） ； UBC Departments of Computer Science and Psychology（不列颠哥伦比亚大学计算机科学与心理学系） 纠错

专题命中 具身推理 ：world model(title)；分类 cs.AI

AI总结 本文提出'即时'框架，通过在线构建简化表示实现高效心理模拟，支持人类规划与推理。

VJEPA: Variational Joint Embedding Predictive Architectures as Probabilistic World Models

VJEPA：变分联合嵌入预测架构作为概率世界模型

Yongchao Huang

专题命中 具身推理 ：world model(title)；分类 cs.LG

AI总结 VJEPA通过变分目标学习预测分布，统一表征学习与贝叶斯过滤，提供概率世界模型框架，适用于高维噪声环境中的鲁棒规划。

Comments 77 pages

CityCube: Benchmarking Cross-view Spatial Reasoning on Vision-Language Models in Urban Environments

CityCube：在城市环境中对视觉-语言模型的跨视角空间推理进行基准测试

Haotian Xu, Yue Hu, Zhengqiu Zhu, Chen Gao, Ziyou Wang, Junreng Rao, Wenhao Lu, Weishi Li, Quanjun Yin, Yong Li

机构 * College of Systems Engineering, National University of Defense Technology（系统工程学院，国防科技大学） ； State Key Laboratory of Digital Intelligent Modeling and Simulation（数字智能建模与仿真国家重点实验室） ； BNRist, Tsinghua University（清华大学北京研究院） ； Department of Electronic Engineering, Tsinghua University（电子工程系，清华大学） 纠错

专题命中 具身推理 ：embodied AI(abstract)；分类 cs.AI、cs.CV

AI总结 CityCube是一个用于评估视觉-语言模型在城市环境中跨视角空间推理能力的基准，通过多视角问答对揭示模型与人类表现的差距。

StableWorld: Towards Stable and Consistent Long Interactive Video Generation

StableWorld: 向稳定和一致的长交互视频生成迈进

Ying Yang, Zhengyao Lv, Tianlin Pan, Haofan Wang, Binxin Yang, Hubery Yin, Chen Li, Ziwei Liu, Chenyang Si

机构 * PRLab, NJU（南京大学PRLab） ； HKU（香港大学） ； UCAS（中国科学技术大学） ； WeChat, Tencent Inc.（腾讯公司） ； NTU（国立清华大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 StableWorld通过动态帧淘汰机制提升长交互视频生成的稳定性和时间一致性，适用于多种生成框架。

Comments 17 pages, 21 figures,