视觉与机器人

世界模型

面向环境建模、时序预测、仿真规划、具身智能和自动驾驶的世界模型方法与应用。

2025-12-29 至 2025-12-29 共收录 4 篇信号源：cs.AI, cs.LG, cs.CV, cs.RO, cs.MA

1. 通用世界模型 4 篇

2507.19855 2025-12-29 cs.LG cs.HC 92%

Inducing Causal World Models in LLMs for Zero-Shot Physical Reasoning

在LLM中诱导因果世界模型以实现零样本物理推理

Aditya Sharma, Ananya Gupta, Chengyu Wang, Chiamaka Adebayo, Jakub Kowalski

机构 * Department of Electrical Engineering（电气工程系）； Indian Institute of Technology Bombay（印度理工学院孟买分校）； Department of Computer Science and Automation（计算机科学与自动化系）； Indian Institute of Science（印度科学研究所）； Department of Computer Science（计算机科学系）； San Francisco State University（旧金山州立大学）； University of Lagos（拉各斯大学）； Faculty of Mathematics, Informatics, and Mechanics（数学、信息学与力学学院）； University of Warsaw（华沙大学）

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

AI总结本文提出CWMI框架，通过引入因果物理模块和因果干预损失，使LLM具备因果推理能力，在零样本物理推理任务中取得显著成效。

Comments 12 pages, 4 figures,

2512.13030 2025-12-29 cs.CV cs.LG cs.RO 91%

Motus: A Unified Latent Action World Model

Motus：一个统一的潜在动作世界模型

Hongzhe Bi, Hengkai Tan, Shenghao Xie, Zeyuan Wang, Shuhe Huang, Haitian Liu, Ruowen Zhao, Yao Feng, Chendong Xiang, Yinze Rong, Hongyan Zhao, Hanyu Liu, Zhizhong Su, Lei Ma, Hang Su, Jun Zhu

机构 * Dept. of Comp. Sci. and Tech., Institute for AI, BNRist Center, THBI Lab, Tsinghua-Bosch Joint ML Center, Tsinghua University（计算机科学与技术系，人工智能研究院，BNRist中心，THBI实验室，清华-博世联合机器学习中心，清华大学）； Peking University（北京大学）； Horizon Robotics

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

AI总结 Motus通过统一的潜在动作世界模型整合理解、视频生成和动作模块，利用光流和三阶段训练流程提升大规模动作预训练效果，实现模拟与现实场景中的性能突破。

2408.05195 2025-12-29 cs.LG cs.AI 58%

HistoKernel: Whole Slide Image Level Maximum Mean Discrepancy Kernels for Pan-Cancer Predictive Modelling

HistoKernel：全切片图像层面的最大均值差异核用于跨癌症预测建模

Piotr Keller, Muhammad Dawood, Brinder Singh Chohan, Fayyaz ul Amir Afsar Minhas

专题命中通用世界模型：predictive model(title,abstract)；分类 cs.AI、cs.LG

AI总结 HistoKernel通过最大均值差异核提升全切片图像层面的跨癌症预测性能，实现多模态数据整合与斑块级可解释性。

Comments 28 pages, 5 figures, 1 Table. Preprint for article in review at Nature Machine Intelligence

2512.21746 2025-12-29 cs.LG cs.AI 50%

A Model of Causal Explanation on Neural Networks for Tabular Data

基于表格数据的神经网络因果解释模型

Takashi Isozaki, Masahiro Yamamoto, Atsushi Noda

机构 * Sony Computer Science Laboratories, Inc.（索尼计算机科学实验室）

专题命中通用世界模型：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结本文提出CENNET模型，通过结合结构因果模型为神经网络预测提供因果解释，并在分类任务中通过实验验证其有效性。

Comments \c{opyright}2025. This manuscript version is made available under the CC-BY-NC-ND 4.0 license https://creativecommons.org/licenses/by-nc-nd/4.0/

Journal ref Procedia Computer Science, Volume 264, 2025, Pages 65-79