世界模型

Dynamics-Aligned Latent Imagination in Contextual World Models for Zero-Shot Generalization

情境世界模型中的动态对齐潜在想象用于零样本泛化

Frank Röder, Jan Benad, Manfred Eppe, Pradeep Kr. Banerjee

机构 * Institute for Data Science Foundations（数据科学基础研究所） 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 DALI通过动态对齐潜在想象在情境世界模型中实现零样本泛化，通过自监督编码器预测前向动力学，连接感知与控制，提升情境适应能力。

Comments 36 pages, 6 figures, accepted to NeurIPS 2025

Action Shapley: A Training Data Selection Metric for World Model in Reinforcement Learning

动作夏普利：用于强化学习世界模型的训练数据选择度量

Rajat Ghosh, Debojyoti Dutta

机构 * Nutanix Inc.（Nutanix公司） 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 本文提出动作夏普利度量，用于高效选择强化学习世界模型的训练数据，通过随机动态算法提升计算效率并改进数据选择性能。

AIE4ML: An End-to-End Framework for Compiling Neural Networks for the Next Generation of AMD AI Engines

AIE4ML：一个端到端框架，用于为下一代AMD AI引擎编译神经网络

Dimitrios Danopoulos, Enrico Lupi, Chang Sun, Sebastian Dittmeier, Michael Kagan, Vladimir Loncar, Maurizio Pierini

机构 * Institute of Physics Belgrade, Serbia（塞尔维亚贝尔格莱物理研究所） ； Physikalisches Institut, Heidelberg University, Germany（德国海德堡大学物理研究所） ； SLAC National Accelerator Laboratory, Menlo Park, CA, USA（美国Menlo Park加州SLAC国家加速器实验室） 纠错

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

AI总结 AIE4ML是一个端到端框架，用于将AI模型自动转换为优化的固件，以在AMD AIE-ML设备上实现高效神经网络执行，同时支持向前兼容新架构，提供高效率和低延迟性能。

DeepSeek-R1 Thoughtology: Let's think about LLM Reasoning

DeepSeek-R1 思维学：让我们思考LLM推理

Sara Vera Marjanović, Arkil Patel, Vaibhav Adlakha, Milad Aghajohari, Parishad BehnamGhader, Mehar Bhatia, Aditi Khandelwal, Austin Kraft, Benno Krojer, Xing Han Lù, Nicholas Meade, Dongchan Shin, Amirhossein Kazemnejad, Gaurav Kamath, Marius Mosbach, Karolina Stańczak, Siva Reddy

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

AI总结 DeepSeek-R1通过多步骤推理链实现复杂问题解决，研究揭示其推理性能的'甜点'及潜在安全漏洞。

Comments 135 pages, Published to TMLR

Traffic expertise meets residual RL: Knowledge-informed model-based residual reinforcement learning for CAV trajectory control

交通专家与残差强化学习相遇：基于知识的模型驱动残差强化学习用于智能交通车辆轨迹控制

Zihao Sheng, Zilin Huang, Sikai Chen

机构 * Department of Civil and Environmental Engineering, University of Wisconsin-Madison, Madison, WI, 53706, USA（土木与环境工程系，威斯尼大学麦迪逊分校） 纠错

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

AI总结 本文提出基于知识的模型驱动残差强化学习框架，用于智能交通车辆轨迹控制，结合交通专家知识与传统控制方法，提升学习效率与交通流平滑度。

Comments Accepted by Communications in Transportation Research

Journal ref Communications in Transportation Research 4 (2024): 100142

Vision-Conditioned Variational Bayesian Last Layer Dynamics Models

基于视觉的变分贝叶斯最后一层动力学模型

Paul Brunzema, Thomas Lew, Ray Zhang, Takeru Shirasawa, John Subosits, Marcus Greiff

机构 * department of Mechanical Engineering, Aachen University（机械工程系，亚琛大学） ； Toyota Research Institute（丰田研究院） 纠错

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

AI总结 本文提出一种基于视觉的变分贝叶斯最后一层动力学模型，通过视觉上下文预测环境变化，提升赛车在动态条件下的控制性能。

Comments 9 pages, 7 figures, currently under review