世界模型

SmallWorlds: Assessing Dynamics Understanding of World Models in Isolated Environments

SmallWorlds: 评估世界模型在孤立环境中的动态理解能力

Xinyi Li, Zaishuo Xia, Weyl Lu, Chenjie Hao, Yubei Chen

机构 * University of California, Davis（加州大学戴维斯分校） ； Open Path AI Foundation（Open Path AI基金会） 纠错

专题命中 通用世界模型 ：world model(title,abstract)；world models(title,abstract)；world model(title,abstract)；world models(title,abstract)

AI总结 SmallWorlds通过引入基准测试平台，评估世界模型在孤立环境中的动态理解能力，揭示了不同模型在捕捉环境结构和预测准确性方面的表现及局限性。

Thinking by Doing: Building Efficient World Model Reasoning in LLMs via Multi-turn Interaction

通过多轮交互构建高效的LLM世界模型推理：WMAct

Bao Shu, Yan Cai, Jianjian Sun, Chunrui Han, En Yu, Liang Zhao, Jingcheng Hu, Yinmin Zhang, Haoran Lv, Yuang Peng, Zheng Ge, Xiangyu Zhang, Daxin Jiang, Xiangyu Yue

机构 * CUHK MMLab（香港中文大学MMLab） ； Peking University（北京大学） ； StepFun ； Tsinghua University（清华大学） 纠错

专题命中 通用世界模型 ：world model(title,abstract)；world model(title,abstract)；world-model(abstract)；world-model(abstract)

AI总结 WMAct通过高效交互和主动推理机制，使LLM在复杂环境中实现高效世界模型推理，提升任务解决能力和迁移性能。

Comments 17 pages, 9 figures

Language-conditioned world model improves policy generalization by reading environmental descriptions

语言引导的世界模型通过阅读环境描述提升策略泛化能力

Anh Nguyen, Stefan Lee

机构 * Oregon State University（俄勒冈州立大学） 纠错

专题命中 通用世界模型 ：world model(title,abstract)；world model(title,abstract)；model-based reinforcement learning(abstract)；world models(comments)

AI总结 本文提出LED-WM，通过语言引导的世界模型提升策略泛化能力，无需依赖假设，有效应对新动态和语言描述的未见过游戏。

Comments NeuRIPS 2025. Workshop: LAW 2025: Bridging Language, Agent, and World Models

DialBench: Towards Accurate Reading Recognition of Pointer Meter using Large Foundation Models

DialBench: 通过大基础模型实现指针表盘读数的准确识别

Futian Wang, Chaoliu Weng, Xiao Wang, Zhen Chen, Zhicheng Zhao, Jin Tang

机构 * School of Computer Science and Technology, Anhui University, Hefei 230601, China（安徽大学计算机科学与技术学院） ； School of Artificial Intelligence, Anhui University, Hefei 230601, China（安徽大学人工智能学院） ； Department of Computer Science and Information Technology, La Trobe University, Bendigo, Australia（拉筹伯大学计算机科学与信息技术系） 纠错

专题命中 通用世界模型 ：world-model(abstract)；world-model(abstract)；分类 cs.AI、cs.CV

AI总结 本文提出DialBench基准数据集和MRLM模型，通过物理关系注入提升指针表盘读数识别的准确性。

Taming generative video models for zero-shot optical flow extraction

驯服生成视频模型以实现零样本光流提取

Seungwoo Kim, Khai Loong Aw, Klemen Kotar, Cristobal Eyzaguirre, Wanhee Lee, Yunong Liu, Jared Watrous, Stefan Stojanov, Juan Carlos Niebles, Jiajun Wu, Daniel L. K. Yamins

机构 * Stanford University（斯坦福大学） 纠错

专题命中 视频世界模型 ：world model(abstract)；world model(abstract)；分类 cs.CV

AI总结 本文提出KL-tracing方法，通过反事实提示实现生成视频模型的零样本光流提取，无需微调即可在现实和合成数据集上竞争现有最佳模型。

Comments Project webpage: https://neuroailab.github.io/projects/kl_tracing

Embodied Intelligent Wireless (EIW): Synesthesia of Machines Empowered Wireless Communications

具身智能无线通信（EIW）：由机器的通感能力赋能的无线通信

Xiang Cheng, Weibo Wen, Haotian Zhang, Boxun Liu, Zonghui Yang, Jianan Zhang, Xuesong Cai

专题命中 具身与机器人 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)

AI总结 本文提出EIW范式，通过具身智能理念重新定义无线通信节点，实现环境感知、决策与行动的闭环，提升无线通信系统的适应性和智能性。

OpenTwinMap: An Open-Source Digital Twin Generator for Urban Autonomous Driving

OpenTwinMap: 一种用于城市自动驾驶的开源数字孪生生成器

Alex Richardson, Jonathan Sprinkle

机构 * Vanderbilt University（范德比大学） 纠错

专题命中 自动驾驶 ：world model(abstract)；world models(abstract)；world model(abstract)；world models(abstract)

AI总结 OpenTwinMap是一种基于Python的开源框架，用于生成高保真的3D城市数字孪生，通过整合LiDAR和OSM数据，支持自动驾驶模拟和扩展性。

LILAD: Learning In-context Lyapunov-stable Adaptive Dynamics Models

LILAD: 学习上下文Lyapunov稳定自适应动力学模型

Amit Jena, Na Li, Le Xie

专题命中 模型式强化学习 ：dynamics model(title,abstract)；分类 cs.AI、cs.LG

AI总结 LILAD通过上下文学习同时学习动态模型和Lyapunov函数，确保系统在分布偏移和任务外情况下的稳定性与适应性。

Comments This article has been accepted for AAAI-26 (The 40th Annual AAAI Conference on Artificial Intelligence)

Beyond Ensembles: Simulating All-Atom Protein Dynamics in a Learned Latent Space

超越集成：在学习的潜在空间中模拟全部原子蛋白质动力学

Aditya Sengar, Jiying Zhang, Pierre Vandergheynst, Patrick Barth

专题命中 模型式强化学习 ：latent dynamics(abstract)；分类 cs.AI

AI总结 本文提出GLDP模块，通过比较三种传播器，展示自回归神经网络在模拟全部原子蛋白质动力学中的优越性。