视觉与机器人
机器人、具身智能、机器人学习、操作、导航和具身世界模型。
几何感知隐式记忆用于视频世界模型
机构 * School of Intelligence Science and Technology, Nanjing University（南京大学智能科学与技术学院） ； Kling Team, Kuaishou Technology（快手技术 Kling 团队） ； Tsinghua University（清华大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出GIM-World框架，通过轻量级Transformer编码器将可变长度历史压缩为固定大小的记忆令牌，并利用相机可查询的几何头在训练期间从冻结的基础模型中蒸馏3D场景结构，从而在长时程视频生成中保持几何和视觉一致性。
Comments Project page: https://gim-world.github.io/
IMWM：直觉模型补充世界模型用于潜在规划
机构 * Beihang University（北航） ； Shenzhen University of Advanced Technology（深圳先进技术大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.LG
AI总结 针对基于潜在世界模型的规划中搜索瓶颈问题，提出IMWM框架，通过直觉模型与三个轻量组件协作，在四个像素级任务上显著提升成功率。
基于物理可控世界模型的物理对象理解
机构 * Stanford University（斯坦福大学） ； OpenAI（开放人工智能公司） ； Noetik Inc.（Noetik公司） ； Google（谷歌）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出一类概率世界模型，通过自回归序列建模高效训练，从视频中推断对象及其物理交互，实现对象发现、3D操控和物理关系计算。
Comments CVPR 2026 Highlight. Project page at: https://neuroailab.github.io/psi-website/blog.html
WorldCache: 通过异构令牌缓存免费加速世界模型
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 针对扩散世界模型中令牌异质性和非均匀时间动态导致的推理慢问题，提出基于曲率引导的异构令牌预测和混沌优先自适应跳过的缓存框架WorldCache，实现高达3.7倍加速并保持98%的推出质量。
Comments Accepted by ICML 2026
设备端机器人规划：消除推理冗余以实现高效决策
机构 * School of Integrated Technology, College of Computing, Yonsei University（延世大学整合技术学院，计算学院） ； Department of Hyperscale AI SoC Research Section, ETRI（ETRI超大规模AI SoC研究部） ； EECS - Electrical and Computer Engineering, University of Michigan（密歇根大学电气与计算机工程学院）
专题命中 具身推理 ：robotic(title,abstract)；分类 cs.RO
AI总结 提出REIS框架，通过场景门控、KV引导的affordance路由和审慎推理减少推理冗余，在保持语义适应性的同时加速机器人控制。
Comments 19 pages
子空间分解的JEPA：解耦潜在世界模型中的进展与内容
机构 * LIX, École Polytechnique（巴黎高等学院LIX实验室） ； IRT SystemX（系统X研究院） ； Safran Tech（萨弗兰科技）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.LG
AI总结 提出SD-JEPA方法，通过将JEPA潜在空间分解为正交的进展子空间和内容子空间，利用余弦边际三元组损失和SIGReg正则化分别约束，在控制基准上优于LeWM基线，并证明进展坐标可作为场景感知的指南针。
Causal-JEPA：通过对象级潜在掩码学习世界模型
机构 * Brown University, GalilAI（布朗大学，GalilAI） ； New York University（纽约大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 提出C-JEPA，一种通过对象级潜在掩码扩展联合嵌入预测的对象中心世界模型，在视觉问答和智能体控制任务中分别提升反事实推理20%和仅用1%潜在特征实现高效规划。
Comments Project Page: https://hazel-heejeong-nam.github.io/cjepa/ ICML 2026 Accepted
minWM: 用于实时交互式视频世界模型的全栈开源框架
机构 * ShengShu（盛书） ； THU（清华大学） ； RUC（中国人民大学） ； HKUST（香港科技大学） ； UT-Austin（德克萨斯大学奥斯汀分校）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出minWM全栈开源框架，通过因果强制/因果强制++流水线将双向视频扩散模型转化为可控制、低延迟的自回归世界模型，支持相机控制与多种骨干架构。
CompilerDream: 学习编译器世界模型以实现通用代码优化
机构 * School of Software, BNRist Tsinghua University Beijing China（软件学院、北师大清华大学北京中国） ； Tsinghua University（清华大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.LG
AI总结 提出基于模型的强化学习方法CompilerDream，通过编译器世界模型模拟优化pass属性并训练智能体，实现跨应用场景和语言的通用代码优化，在零样本泛化上超越LLVM内置优化。
Comments KDD 2025 camera-ready version with extended appendix. Code is available at https://github.com/thuml/CompilerDream. This update additionally fixes an issue in Table 6 where the dataset names in three rows were ordered incorrectly
思想即规划：通过强化规划进行思维链优化的潜在世界模型
机构 * University of California, Los Angeles（加州大学洛杉矶分校） ； Columbia University（哥伦比亚大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 提出Thoughts-as-Planning框架，将思维链优化形式化为潜在语义空间中的序贯决策过程，通过潜在世界模型模拟推理链编辑对下游输出的影响，并利用梯度下降或强化学习进行规划，在语言理解和生成任务上优于现有基线。
SCOPE: 在可玩环境中模拟跨游戏操作以构建FPS世界模型
机构 * UCAS-Terminus AI Lab, University of Chinese Academy of Sciences（中国科学院大学Terminus AI实验室） ； Tencent（腾讯） ； National University of Singapore（新加坡国立大学） ； The Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州）） ； University of Waterloo（多伦多大学） ； Shanghai Jiaotong University（上海交通大学） ； Zhongguancun Institute of Artificial Intelligence（中关村人工智能研究院） ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University（北京大学计算机科学学院多媒体信息处理国家重点实验室）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出SCOPE方法，通过在每个Transformer块中插入条件模块，将特征重塑为逐像素时间序列，以分离FPS游戏中局部作用域（scope）内的操作效果与全局生成，并引入跨游戏数据集CrossFPS，实现零样本迁移。
Comments Project page: https://z2tong.github.io/SCOPE/. Code is available at https://github.com/z2tong/SCOPE
情感音乐推荐：基于展开世界模型的离线偏好优化
机构 * LUCID Inc. Toronto Canada ； LUCID Inc. Montr\' e al Canada ； Mila --- Qu\' e bec AI Institute Montr\' e al Canada ； LUCID Inc. ； Mila --- Qu\' e bec AI Institute
专题命中 具身推理 ：world model(title,abstract)；分类 cs.LG
AI总结 针对在线情感实验受伦理限制的问题，提出基于展开世界模型的情感音乐推荐系统AMRS，利用因果Transformer预测用户情感状态，并通过离线偏好优化提升推荐效果。
LLMs 是否从文本构建世界模型？多语言空间推理诊断
机构 * University of New South Wales（新南威尔士大学） ； Essential Energy ； University of Alabama at Birmingham（阿拉巴马大学伯明翰分校） ； Zhejiang University（浙江大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 通过多语言诊断基准 MentalMap 评估大语言模型的空间推理能力，发现所有模型在视角推理上存在普遍的性能瓶颈（L3 推理悬崖），表明该限制源于纯文本工作记忆约束而非特定架构。
小米自动驾驶世界模型：一个融合重建与生成的联合世界模型
机构 * Xiaomi（小米）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出一个统一技术系统，通过稀疏场景查询驱动的重建模块WorldRec和两阶段训练框架WorldGen，实现高保真3D场景表示与高质量因果视频生成，并联合优化以提升生成稳定性、跨帧一致性和视觉保真度。
Chreode: 用于一步时间动态和扰动预测的细胞世界模型
机构 * University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Pennsylvania（宾夕法尼亚大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.LG
AI总结 提出Chreode，一种基于结构化残差转移算子的单步细胞世界模型，通过预训练和微调实现发育轨迹与扰动预测的统一，在多个基准上取得性能提升。
Comments 25 pages, 3 figures, 14 tables. Submitted to NeurIPS 2026
EgoExo-WM: 利用外部视频解锁自我世界模型
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 提出通过从外部视频提取结构化身体姿态并利用人体运动学先验将其转换为自我视频，从而利用丰富的野外外部数据训练自我世界模型，显著提升预测质量和下游规划性能。
Comments Project Page: https://vision.cs.utexas.edu/projects/EgoExo-WM/
回归简约潜在变量：从视觉基础学习以任务为中心的世界模型
机构 * University of California, San Diego（加州大学圣地亚哥分校）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 提出TC-WM框架，通过将预训练视觉嵌入线性投影为紧凑潜在状态、对比学习对齐子空间并重建嵌入，将基础模型特征转化为任务充分的世界表示，实现更好的世界建模质量和控制精度。
基于世界模型的自监督分层视觉推理
机构 * Department of Electronic Engineering and Information Science, University of Science and Technology of China（电子工程与信息科学系，中国科学技术大学） ； Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（人工智能研究院，合肥综合性国家科学中心）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 提出ResDreamer，一种分层世界模型，通过自监督方式学习残差表示，实现高效视觉推理，在3D开放环境中达到最先进的样本和参数效率。
OpenWorldLib: 高级世界模型的统一代码库与定义
机构 * Peking University（北京大学） ； Zhongguancun Academy（中关村学院） ； Tsinghua University（清华大学） ； National University of Singapore（新加坡国立大学） ； Shanghai Jiao Tong University（上海交通大学） ； Sun Yat-sen University（中山大学） ； Beijing Key Laboratory of Data Intelligence and Security（北京数据智能与安全重点实验室） ； Nanyang Technological University（南洋理工大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 本文提出OpenWorldLib框架，基于对世界模型演化的分析给出清晰定义，并系统分类其核心能力，实现多任务模型的统一集成与高效推理。
Comments 28 pages, 6 figures
因子化潜在动作世界模型
机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.LG
AI总结 提出因子化潜在动作模型（FLAM），通过将场景分解为独立因子并学习各自的潜在动作，提升了无动作视频中多实体动态建模的准确性和视频生成质量。
将游戏代码世界模型生成蒸馏到轻量级大型语言模型
机构 * Brown University（布朗大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 研究通过后训练将游戏代码世界模型生成能力蒸馏到小型模型，采用监督微调和带可验证奖励的强化学习提升生成代码的语法正确性和规则遵循性。
从下一个词预测到（STRIPS）世界模型
机构 * RWTH Aachen University, Germany（亚琛工业大学，德国） ； Universitat Pompeu Fabra, Spain（庞培法华大学，西班牙）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 研究下一个词预测能否产生支持规划的世界模型，提出STRIPS Transformer和标准Transformer两种架构，在五个经典规划领域评估训练准确率、泛化能力和规划性能。
PathWise：通过世界模型规划实现基于自进化LLM的自动启发式设计
机构 * Georgia Institute of Technology（佐治亚理工学院）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 提出PathWise多智能体推理框架，将启发式生成建模为基于蕴含图的序列决策过程，通过策略智能体、世界模型智能体和评论智能体的协作实现状态感知规划，在组合优化问题上收敛更快、泛化更强。
Comments Accepted to ICML 2026
世界机器：面向时间序列的生成式世界建模
机构 * Universidade Estadual de Campinas (UNICAMP)（坎皮纳斯州立大学） ； Universidade Estadual Paulista (UNESP)（保罗斯州立大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.LG
AI总结 提出基于Transformer的潜在状态架构World Machine，用于时间序列生成式世界建模，在合成数据集Toy1D上验证了其超越传统Transformer的能力。
HorizonDrive: 用于长时域驾驶仿真的自纠正自回归世界模型
机构 * Wuhan University（武汉大学） ； The University of Tokyo（东京大学） ； Horizon Robotics ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； The Chinese University of Hong Kong（香港中文大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 针对自回归驾驶仿真中教师模型因自身预测漂移导致监督退化的问题，提出HorizonDrive框架，通过计划性滚转恢复（SRR）训练抗漂移教师模型，并利用教师滚转分布匹配蒸馏（TRD）实现长时域监督下的高效学生模型部署。
Comments Comments: 22 pages, 14 figures. Project page: https://zcliangyue.github.io/HorizonDrive Code: https://github.com/zcliangyue/HorizonDrive
移动世界模型如何指导GUI代理？
机构 * Nanyang Technological University（南洋理工大学） ； MiLM Plus, Xiaomi Inc.（小米公司） ； Independent Researchers（独立研究人员） ； Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学人工智能学院） ； Wuhan University（武汉大学） ； Xiamen University（厦门大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 本文通过训练四种模态（增量文本、完整文本、扩散图像、可渲染代码）的世界模型，并评估其在下游任务中的效用，发现可渲染代码重建在分布内保真度高，文本反馈对在线分布外执行更鲁棒，世界模型生成的轨迹可提供迁移经验但无法替代原始分布，且对低熵过度自信的代理，后验自省收益有限。
有限自动机提取：从游戏录像中学习低数据世界模型作为程序
机构 * Department of Computing Science, Alberta Machine Intelligence Institute (Amii), University of Alberta（计算科学系，阿尔伯塔机器智能研究所（Amii），阿尔伯塔大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 本文提出了一种名为有限自动机提取（FAE）的方法，通过一种新的领域特定语言（DSL）Retro Coder，从游戏录像中学习神经符号世界模型，相较于以往的方法，FAE能够更精确地建模环境并生成更通用的代码。
从整体到模块：分解转换器以实现高效的world建模
机构 * Department of Informatics, University of Sussex（Sussex大学信息学院） ； Beyond Institute for Theoretical Science (BITS)（理论科学研究所） ； ETH Zürich（苏黎世联邦理工学院） ； Principles of Intelligent Behaviour in Biological and Social Systems (PIBBSS)（生物和社会系统智能行为原理研究所） ； Department of Computer Science, University of Oxford（牛津大学计算机科学系） ； Araya Inc.（Araya公司） ； Sussex AI and Sussex Centre for Consciousness Science, University of Sussex（Sussex大学人工智能与意识科学中心） ； Centre for Complexity Science and Center for Psychedelic Research, Department of Brain Sciences, Imperial College London（复杂科学中心和迷幻研究中心，伦敦帝国理工学院脑科学系） ； Center for Eudaimonia and Human Flourishing, University of Oxford（幸福与人类繁荣中心，牛津大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 本文提出了一种分解复杂world建模的方法，通过转换器框架将世界模型分解为多个模块，从而提高计算效率并支持分布式推理，为AI安全和现实应用提供基础。
《白兔在奇幻世界：在线自监督动态发现用于可执行世界模型》
机构 * Korea University（韩国大学） ； Kyung Hee University（庆熙大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI
AI总结 该研究探讨了在先验错配情况下，如何通过交互证据自监督学习可执行世界模型，引入了Alice系统，通过失败的候选更新作为结构信号，发现并改进动态，从而提升可执行世界模型的学习效果。
GaussianDWM: 基于3D高斯场景表示的统一场景理解和多模态生成驱动世界模型
机构 * Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； MEGVII Technology（商汤科技） ； Mach Drive
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV
AI总结 本文提出基于3D高斯表示的统一驱动世界模型框架，实现3D场景理解和多模态生成，并通过语言引导采样策略和双条件生成模型提升生成效果，实验验证其在nuScenes和NuInteract数据集上的优越性能。
Comments Accepted by CVPR 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈