世界模型

Agent2World: Learning to Generate Symbolic World Models via Adaptive Multi-Agent Feedback

Agent2World: 通过自适应多智能体反馈学习生成符号世界模型

Mengkang Hu, Bowei Xia, Yuran Wu, Ailing Yu, Yude Zou, Qiguang Chen, Shijian Wang, Jiarui Jin, Kexin Li, Wenxiang Jiao, Yuan Lu, Ping Luo

机构 * The University of Hong Kong（香港大学） ； Xiaohongshu Inc.（小红书公司） ； UESTC（电子科技大学） ； Harbin Institute of Technology（哈尔滨工业大学） 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 Agent2World通过自适应多智能体反馈学习生成符号世界模型，提升推理和微调性能，实现30.95%的相对提升。

Comments 48 pages, 15 tables, 7 figures, Project page: https://agent2world.github.io

World Models Unlock Optimal Foraging Strategies in Reinforcement Learning Agents

世界模型解锁强化学习智能体的最优觅食策略

Yesid Fonseca, Manuel S. Ríos, Nicanor Quijano, Luis F. Giraldo

机构 * Center of Excellence in Analytics, Artificial Intelligence, and Information Governance, Bancolombia, Colombia（分析、人工智能和信息治理卓越中心，Bancolombia，哥伦比亚） ； Department of Biomedical Engineering, Universidad de los Andes, Bogotá, Colombia（生物医学工程系， Universidad de los Andes，波哥大，哥伦比亚） ； Department of Electrical and Electronics Engineering, Universidad de los Andes, Bogotá, Colombia（电气与电子工程系， Universidad de los Andes，波哥大，哥伦比亚） 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 世界模型帮助强化学习智能体实现最优觅食策略，通过预见能力而非单纯奖励最大化驱动高效决策。

Comments 14 pages, 6 figures

Active Predictive Coding: A Unified Neural Framework for Learning Hierarchical World Models for Perception and Planning

主动预测编码：一种统一的神经框架，用于学习感知与规划的分层世界模型

Rajesh P. N. Rao, Dimitrios C. Gklezakos, Vishwas Sathish

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 本文提出主动预测编码框架，通过分层世界模型解决人工智能中感知与规划的两大核心问题。

Comments 15 pages, 10 figures, 2 supplementary figures

Web World Models

Jichen Feng, Yifan Zhang, Chenggong Zhang, Yifu Lu, Shilong Liu, Mengdi Wang

机构 * Princeton University（普林斯顿大学） ； University of California（加州大学） ； University of Pennsylvania（宾夕法尼亚大学） 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)

Comments Project Page: https://github.com/Princeton-AI2-Lab/Web-World-Models

What Has a Foundation Model Found? Using Inductive Bias to Probe for World Models

基础模型发现了什么？利用归纳偏置来探测世界模型

Keyon Vafa, Peter G. Chang, Ashesh Rambachan, Sendhil Mullainathan

机构 * Harvard University（哈佛大学） ； MIT（麻省理工学院） 纠错

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 该研究通过归纳偏置探测技术揭示基础模型在适应新任务时无法捕捉底层世界模型结构的问题。

Comments To appear in ICML 2025

InDRiVE: Reward-Free World-Model Pretraining for Autonomous Driving via Latent Disagreement

InDRiVE: 通过潜在分歧进行无奖励世界模型预训练以实现自动驾驶

Feeza Khan Khanzada, Jaerock Kwon

机构 * Department of Electrical and Computer Engineering, University of Michigan-Dearborn（电气与计算机工程系，密歇根大学-迪尔伯恩分校） 纠错

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

AI总结 InDRiVE通过潜在分歧进行无奖励世界模型预训练，提升了自动驾驶在零样本迁移和少量样本适应中的鲁棒性。

Act2Goal: From World Model To General Goal-conditioned Policy

Act2Goal：从世界模型到通用目标条件政策

Pengfei Zhou, Liliang Chen, Shengcong Chen, Di Chen, Wenzhi Zhao, Rongjun Jin, Guanghui Ren, Jianlan Luo

机构 * Agibot Research（阿吉博特研究所） 纠错

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 Act2Goal通过结合视觉世界模型与多尺度时间控制，实现目标条件政策的鲁棒长时间尺度操作，提升机器人在新环境中的自主适应能力。

ReCollab: Retrieval-Augmented LLMs for Cooperative Ad-hoc Teammate Modeling

ReCollab：基于检索增强的LLM用于协作即兴队友建模

Conor Wallace, Umer Siddique, Yongcan Cao

机构 * Department of Electrical and Computer Engineering, University of Texas at San Antonio（电子与计算机工程系，德克萨斯大学圣安东尼奥分校） 纠错

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

AI总结 ReCollab通过检索增强生成技术提升即兴团队合作中队友行为建模的适应性与准确性。

LidarDM: Generative LiDAR Simulation in a Generated World

LidarDM: 生成世界中的生成激光雷达模拟

Vlas Zyrianov, Henry Che, Zhijian Liu, Shenlong Wang

机构 * UIUC（伊利诺伊大学香槟分校） ； NVIDIA（英伟达） 纠错

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

AI总结 LidarDM通过集成4D世界生成框架，实现了基于驾驶场景的4D激光雷达点云生成，提升自动驾驶模拟的逼真度与时间一致性。

Deep Learning for Art Market Valuation

深度学习在艺术市场估值中的应用

Jianping Mei, Michael Moses, Jan Waelty, Yucheng Yang

机构 * CKGSB（CKGSB商学院） ； Art Market Consultancy（艺术市场咨询公司） ； University of Zurich（苏黎世大学） ； Swiss Finance Institute（瑞士金融研究所） 纠错

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

AI总结 本文通过多模态深度学习方法，利用艺术品视觉信息提升艺术市场估值，尤其在缺乏历史参照物的首次销售中展现显著价值。

Learning Tennis Strategy Through Curriculum-Based Dueling Double Deep Q-Networks

通过基于课程的学习的对战双深Q网络学习网球策略

Vishnu Mohan

机构 * Independent Researcher（独立研究者） 纠错

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

AI总结 本文提出基于课程学习的对战双深Q网络，用于优化网球策略，通过模拟环境实现高胜率和高效发回球表现，但存在防守偏见问题。

Comments 27 pages, 10 figures

Driving Beyond Privilege: Distilling Dense-Reward Knowledge into Sparse-Reward Policies

超越特权：将密集奖励知识蒸馏到稀疏奖励策略中

Feeza Khan Khanzada, Jaerock Kwon

机构 * Department of Electrical and Computer Engineering, University of Michigan-Dearborn（电气与计算机工程系，密歇根大学迪尔伯恩分校） 纠错

专题命中 模型式强化学习 ：world model(abstract)；world model(abstract)；latent dynamics(abstract)；model-based reinforcement learning(abstract)

AI总结 本文提出通过密集奖励蒸馏学习稀疏奖励策略，提升自动驾驶在稀疏目标上的泛化能力。

The World Is Bigger! A Computationally-Embedded Perspective on the Big World Hypothesis

世界更大！一个计算嵌入视角下的大世界假说

Alex Lewandowski, Adtiya A. Ramesh, Edan Meyer, Dale Schuurmans, Marlos C. Machado

机构 * University of Alberta（阿尔伯塔大学） ； Amii ； The Swiss AI Lab IDSIA, USI & SUPSI（瑞士AI实验室IDSIA、USI与SUPSI） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； Google DeepMind（谷歌DeepMind） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(abstract)；分类 cs.AI

AI总结 本文提出了一种计算嵌入视角下的持续学习方法，通过交互性目标评估智能体在无限状态空间中的适应能力，发现深度线性网络在扩展能力时表现更优。

Comments NeurIPS 2025 (spotlight)