Motubrain: An Advanced World Action Model for Robot Control
MotuBrain: 一种先进的世界动作模型用于机器人控制
机构 * MotuBrain Team（MotuBrain团队）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 MotuBrain提出一种统一的世界动作模型，结合视频和动作，支持多项任务，实现高效部署和高精度控制。
AI 大模型
视频大模型
视频理解、视频生成、视频语言模型和时序视觉推理。
1. 动作与事件理解 473 篇
RynnWorld-Teleop: An Action-Conditioned World Model for Digital Teleoperation
RynnWorld-Teleop：用于数字遥操作的动作条件世界模型
机构 * DAMO Academy, Alibaba Group（达摩院，阿里巴巴集团） ； Hong Kong Embodied AI Lab（香港具身人工智能实验室） ； CUHK（香港中文大学） ； Hupan Lab（湖畔实验室） ； Alibaba Group（阿里巴巴集团） ； Ant Group（蚂蚁集团）
专题命中 动作与事件理解 ：video diffusion(abstract)
AI总结 研究针对机器人学习数据收集瓶颈，提出数字遥操作范式，用生成世界模型解耦数据收集与物理约束。以RynnWorld-Teleop系统实现，含多种技术，能实时生成，训练策略可零样本转移，还能增强数据集，是高保真可扩展数据引擎。
Comments Project Page: https://alibaba-damo-academy.github.io/RynnWorld-Teleop.github.io, Github: https://github.com/alibaba-damo-academy/RynnWorld-Teleop
InternVLA-A1.5: Unifying Understanding, Latent Foresight, and Action for Compositional Generalization
InternVLA-A1.5：统一理解、潜在预见与组合泛化的行动
机构 * Physical Intelligence Team Shanghai AI Laboratory（上海人工智能实验室物理智能团队）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 研究旨在统一机器人操作模型，提出InternVLA-A1.5，基于原生VLM骨干构建策略，将未来预测转化为潜在查询问题，继承预训练视频生成模型动力学先验，在模拟和现实基准测试中效果良好。
Comments Homepage: https://internrobotics.github.io/internvla-a15.github.io/
Worldscape-MoE: A Unified Mixture-of-Experts World Model for Scalable Heterogeneous Action Control
Worldscape-MoE：用于可扩展异构动作控制的统一专家混合世界模型
机构 * Tsinghua University（清华大学） ； Manifold AI
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 研究视频生成世界模型控制接口碎片化瓶颈，提出基于扩散变换器的专家混合世界模型Worldscape-MoE，通过模态感知控制注入等实现异构动作控制，实验验证其有效性和扩展性。
Comments 36 pages
Efficient Sim-to-Real Transfer of World-Action Models from Synthetic Priors
基于合成先验的世界-动作模型的高效仿真到现实迁移
机构 * Purdue University（普渡大学） ； Robotics and AI Institute（机器人与人工智能研究所）
专题命中 动作与事件理解 ：video diffusion(abstract)
AI总结 本文研究从合成先验训练世界-动作模型并零样本部署到真实机器人操作，通过域随机化和AnyTask运动规划生成演示，首次成功实现仿真到现实的迁移。
Comments This work is accepted by CVPR'26, Embodied AI Workshop. This paper represent a part of early result of our official world-action model zero-shot sim-to-real transfer work, which will be released soon
Learning Transferable Dynamics Priors from Action to World Modeling
从动作到世界建模的可迁移动力学先验学习
机构 * School of Data Science, Fudan University, Shanghai, China（复旦大学数据科学学院，上海，中国） ； Shanghai Innovation Institute, Shanghai, China（上海创新研究院，上海，中国） ； Shanghai Jiao Tong University, Shanghai, China（上海交通大学，上海，中国） ； McGill University, Montreal, QC, Canada（麦吉尔大学，蒙特利尔，魁北克，加拿大）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 提出A2World模型，通过大规模机器人操作数据预训练动作条件世界模型，学习可迁移的交互动力学先验，支持模拟器评估和策略学习。
Comments ECCV 2026 Accepted
LaWAM: Latent World Action Models for Efficient Dynamics-Aware Robot Policies
LaWAM: 用于高效动力学感知机器人策略的潜在世界行动模型
机构 * Tsinghua University（清华大学） ； Jilin University（吉林大学） ； Nankai University（南开大学） ； Peking University（北京大学） ； Harbin Institute of Technology（哈尔滨工业大学） ； Zhongguancun Academy（中关村学院） ； Striding.AI ； Infinigence AI
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 提出LaWAM模型，通过潜在视觉子目标预测场景变化，实现动力学感知的机器人控制，在多个基准上达到最优或竞争性成功率，且推理延迟低。
FineVLA: Fine-Grained Instruction Alignment for Steerable Vision-Language-Action Policies
FineVLA：面向可操控视觉-语言-动作策略的细粒度指令对齐
机构 * XLANG Lab, The University of Hong Kong（XLANG实验室，香港大学） ； Qwen Team, Alibaba Inc.（通义团队，阿里巴巴公司）
专题命中 动作与事件理解 ：video understanding(abstract)
AI总结 提出FineVLA框架，通过构建细粒度数据集和训练策略，在保持任务成功率的同时实现机器人动作的细粒度可控性。
Comments 26 pages, 7 figures, 25 tables
CLAW: Learning Continuous Latent Action World Models via Adversarial Latent Regularization
CLAW: 通过对抗潜在正则化学习连续潜在动作世界模型
机构 * University of Chicago（芝加哥大学） ； Toyota Technological Institute at Chicago（芝加哥丰田技术研究所） ； Argonne National Laboratory（阿贡国家实验室）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 提出CLAW框架，利用对抗潜在正则化和扩散视频生成，从无动作视频中端到端学习世界模型与连续潜在动作表示，支持观察模仿学习和目标导向规划。
Comments 8 pages, 15 pages of supplementary material
$τ_0$-WM: A Unified Video-Action World Model for Robotic Manipulation
$\tau_0$-WM：一种用于机器人操作的统一视频-动作世界模型
机构 * Shanghai Innovation Institute（上海创新研究院） ； AGIBOT Finch
专题命中 动作与事件理解 ：video diffusion(abstract)
AI总结 提出$\tau_0$-WM，一个统一视频-动作世界模型，通过共享视频扩散骨干集成策略学习、视频预测和动作评估，在长时域和精细操作任务上优于基线。
Comments Our project homepge: https://finch.agibot.com/research/tau0-wm
LaWM: Least Action World Models for Long-Horizon Physical Consistency from Visual Observations
LaWM：基于视觉观测的最短作用世界模型用于长时间物理一致性
机构 * University of Michigan（密歇根大学）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 LaWM通过在视觉潜在空间中实现最小作用原理，提升长horizon视觉预测的物理一致性，改进了物理不变性、背景一致性、运动平滑度和外观几何预测指标。
DriVerse: Navigation World Model for Driving Simulation via Multimodal Trajectory Prompting and Motion Alignment
DriVerse：通过多模态轨迹提示和运动对齐实现驾驶模拟的导航世界模型
机构 * Baidu Inc.（百度公司）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 DriVerse通过多模态轨迹提示和运动对齐技术，实现从单张图像和未来轨迹生成导航驱动的驾驶场景，提升了动态对象的生成精度和时间一致性。
Comments 13 pages, 5 figures
AIM: Intent-Aware Unified world action Modeling with Spatial Value Maps
AIM: 基于意图的统一世界动作建模与空间价值图
机构 * INFIFORCE Intelligent Technology Co., Ltd.（英飞睿智科技有限公司） ； The University of Hong Kong（香港大学） ； Shanghai Jiao Tong University（上海交通大学）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 AIM通过显式空间接口解决视频模型与动作生成间的结构不匹配问题，利用预训练视频生成模型和意图因果注意力机制，实现高成功率的机器人控制。
Veo-Act: How Far Can Frontier Video Models Advance Generalizable Robot Manipulation?
Veo-Act：前沿视频模型在通用机器人操作中能走多远？
机构 * Tsinghua University（清华大学）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 本文探讨前沿视频模型如Veo-3在通用机器人操作中的应用，提出Veo-Act框架结合高阶运动规划与低阶执行器，提升指令跟随性能。
Comments 16 pages, 12 figures. Equal contribution by Zhongru Zhang, Chenghan Yang, Qingzhou Lu and Yanjiang Guo. Project lead: Yanjiang Guo
Co-Evolving Latent Action World Models
共演潜在动作世界模型
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 本文提出CoLA-World，通过关键预热阶段实现联合学习，解决世界模型与动作模型的协同问题，提升视频模拟质量和下游视觉规划性能。
EgoDemoGen: Egocentric Demonstration Generation for Viewpoint Generalization in Robotic Manipulation
EgoDemoGen：用于机器人操作中视角泛化的眼动演示生成
机构 * UCAS（中国科学院大学） ； CASIA（中国科学院自动化研究所） ； GigaAI ； Tsinghua University（清华大学） ； X-Humanoid ； FiveAges
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 本文提出EgoDemoGen框架，通过EgoTrajTransfer和EgoViewTransfer生成新型眼动视角下的观察-动作演示，提升机器人操作在视角变化下的成功率。
H-WM: Robotic Task and Motion Planning Guided by Hierarchical World Model
H-WM：由分层世界模型引导的机器人任务和运动规划
机构 * Huawei Noah’s Ark Lab（华为诺亚实验室） ； University of Toronto（多伦多大学） ； University of British Columbia（不列颠哥伦比亚大学） ； McGill University（麦吉尔大学）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 H-WM通过结合逻辑和视觉世界模型，实现机器人任务和运动规划中的鲁棒长视界推理与稳定引导。
Comments 8 pages, 4 figures
VLAW: Iterative Co-Improvement of Vision-Language-Action Policy and World Model
VLAW: 视觉-语言-动作策略与世界模型的迭代共改进
机构 * Stanford University（斯坦福大学） ； Tsinghua University（清华大学）
专题命中 动作与事件理解 ：video generation(abstract)
AI总结 本文提出通过迭代改进视觉-语言-动作策略与世界模型，提升真实机器人任务的性能和可靠性。
Comments Project Page: https://sites.google.com/view/vlaw-arxiv
Content and Engagement Trends in COVID-19 YouTube Videos: Evidence from the Late Pandemic
专题命中 动作与事件理解 ：long video(abstract)
Video Generators are Robot Policies
机构 * Columbia University（哥伦比亚大学） ； Toyota Research Institute（丰田研究院）
专题命中 动作与事件理解 ：video generation(abstract)
A Challenge to Build Neuro-Symbolic Video Agents
机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校）
专题命中 动作与事件理解 ：video understanding(abstract)
ManipDreamer: Boosting Robotic Manipulation World Model with Action Tree and Visual Guidance
机构 * State Key Laboratory of Multimedia Information Processing（多媒体信息处理国家重点实验室） ； School of Computer Science, Peking University（北京大学计算机学院） ； Hong Kong University of Science and Technology（香港科技大学） ； Autonomous Driving Development, NIO（蔚来自动驾驶研发）
专题命中 动作与事件理解 ：video generation(abstract)
Comments 9 pages, 3 figures
A Misleading Gallery of Fluid Motion by Generative Artificial Intelligence
专题命中 动作与事件理解 ：video generation(abstract)
Human Action Attribute Learning From Video Data Using Low-Rank Representations
专题命中 动作与事件理解 ：long video(abstract)
Comments 26 pages; 8 figures; 2 tables; Rutgers University Technical Report #2020-07-001
Learning Pain from Action Unit Combinations: A Weakly Supervised Approach via Multiple Instance Learning
专题命中 动作与事件理解 ：long video(abstract)
2. 长视频与时序推理 648 篇
Relax Forcing: Relaxed KV-Memory for Consistent Long Video Generation
放松强制：用于一致长视频生成的放松KV内存
机构 * Queen Mary University of London（伦敦玛丽女王大学） ； Imperial College London（伦敦帝国学院）
专题命中 长视频与时序推理 ：video generation(title,abstract)；long video(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出Relax Forcing机制，通过结构化时间内存提升长视频生成的运动动态和时间一致性，减少注意力开销。
Comments Project page: see https://zengqunzhao.github.io/Relax-Forcing
Radial Attention: $O(n\log n)$ Sparse Attention with Energy Decay for Long Video Generation
径向注意力：具有能量衰减的 $O(n\log n)$ 稀疏注意力用于长视频生成
机构 * MIT（麻省理工学院） ； NVIDIA（英伟达） ； Princeton（普林斯顿大学） ； UC Berkeley（加州大学伯克利分校） ； Stanford（斯坦福大学） ； First Intelligence（第一智能）
专题命中 长视频与时序推理 ：video generation(title,abstract)；long video(title,abstract)；video diffusion(abstract)；分类 cs.CV
AI总结 本文提出径向注意力，通过能量衰减机制实现高效的长视频生成，显著提升生成速度并降低计算成本。
Comments Accepted to NeurIPS 2025, Code: https://github.com/mit-han-lab/radial-attention
STORM: Token-Efficient Long Video Understanding for Multimodal LLMs
机构 * NVIDIA（英伟达） ； Rutgers University（罗格斯大学） ； UC Berkeley（加州大学伯克利分校） ； MIT（麻省理工学院） ； Nanjing University（南京大学） ； KAIST（韩国科学技术院）
专题命中 长视频与时序推理 ：video understanding(title,abstract)；long video(title,abstract)；video reasoning(abstract)；分类 cs.CV
Thinking With Videos: Multimodal Tool-Augmented Reinforcement Learning for Long Video Reasoning
专题命中 长视频与时序推理 ：video reasoning(title,abstract)；long video(title,abstract)；video understanding(abstract)；分类 cs.CV
TokensGen: Harnessing Condensed Tokens for Long Video Generation
机构 * S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； SenseTime Research（商汤科技研究院） ； Wangxuan Institute of Computer Technology, Peking University（北京大学王轩计算机技术研究所）
专题命中 长视频与时序推理 ：video generation(title,abstract)；long video(title,abstract)；video diffusion(abstract)；分类 cs.CV
Comments Project page: https://vicky0522.github.io/tokensgen-webpage/
