世界模型

Aligning Agentic World Models via Knowledgeable Experience Learning

通过知识性经验学习对齐代理世界模型

Baochang Ren, Yunzhi Yao, Rui Sun, Shuofei Qiao, Ningyu Zhang, Huajun Chen

机构 * Zhejiang University（浙江大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 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 WorldMind通过知识性经验学习对齐代理世界模型，解决物理模拟中的幻觉问题，实现跨环境的高效迁移。

Comments Ongoing work

Learning Latent Action World Models In The Wild

在真实世界中学习潜在动作世界模型

Quentin Garrido, Tushar Nagarajan, Basile Terver, Nicolas Ballas, Yann LeCun, Michael Rabbat

机构 * FAIR at Meta（Meta旗下的FAIR） ； Inria（法国国家信息与自动化研究所） 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 本研究提出在真实世界视频中学习潜在动作世界模型，通过连续受限的潜在动作捕捉复杂动作，解决了环境噪声和缺乏共同具象的挑战，实现了与动作条件基线相似的规划任务性能。

Comments 37 pages, 25 figures; updated references and experimental details

An Efficient and Multi-Modal Navigation System with One-Step World Model

一种高效且多模态的导航系统与一步世界模型

Wangtian Shen, Ziyang Meng, Jinming Ma, Mingliang Zhou, Diyun Xiang

机构 * Tsinghua University（清华大学） ； Xiaomi (China)（小米（中国）） 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 本文提出了一种高效多模态导航系统，通过一步世界模型和3D U-Net骨干网络，提升导航效率和鲁棒性。

Active Inference-Driven World Modeling for Adaptive UAV Swarm Trajectory Design

基于主动推断的世界建模用于自适应无人机蜂群轨迹设计

Kaleem Arshid, Ali Krayani, Lucio Marcenaro, David Martin Gomez, Carlo Regazzoni

机构 * University of Genoa（热那亚大学） ； Carlos III University Madrid（马德里卡洛斯三世大学） 纠错

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

AI总结 本文提出基于主动推断的世界建模框架，用于自适应无人机蜂群轨迹设计，通过整合概率推理和自我学习实现动态环境下的适应性响应。

Comments This paper has been accepted for presentation at the 2026 IEEE International Conference on Acoustics, Speech, and Signal Processing (IEEE ICASSP 2026) Workshop: 'Multi-Modal Signal Processing and AI for Communications and Sensing in 6G and Beyond (MuSiC-6GB)'

CausalSpatial: A Benchmark for Object-Centric Causal Spatial Reasoning

CausalSpatial: 一个用于以对象为中心的因果空间推理的基准

Wenxin Ma, Chenlong Wang, Ruisheng Yuan, Hao Chen, Nanru Dai, S. Kevin Zhou, Yijun Yang, Alan Yuille, Jieneng Chen

机构 * Johns Hopkins University（约翰霍普金斯大学） 纠错

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

AI总结 CausalSpatial提出一个基准测试，评估模型在因果空间推理中的能力，揭示当前MLLMs在3D场景中处理‘如果’问题的不足，并提出COW模型以改进基于物理现实的推理。

Comments Code is available: https://github.com/CausalSpatial/CausalSpatial

Agentic Reasoning for Large Language Models

大语言模型的代理推理

Tianxin Wei, Ting-Wei Li, Zhining Liu, Xuying Ning, Ze Yang, Jiaru Zou, Zhichen Zeng, Ruizhong Qiu, Xiao Lin, Dongqi Fu, Zihao Li, Mengting Ai, Duo Zhou, Wenxuan Bao, Yunzhe Li, Gaotang Li, Cheng Qian, Yu Wang, Xiangru Tang, Yin Xiao, Liri Fang, Hui Liu, Xianfeng Tang, Yuji Zhang, Chi Wang, Jiaxuan You, Heng Ji, Hanghang Tong, Jingrui He

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

AI总结 本文探讨了大语言模型在开放和动态环境中的代理推理方法，通过三个层次的框架提升单体、自我进化和集体多代理推理能力，并提出了未来研究方向。

Comments Project: https://github.com/weitianxin/Awesome-Agentic-Reasoning

Chain-of-Influence: Tracing Interdependencies Across Time and Features in Clinical Predictive Modelings

链式影响：在时间和特征间追溯临床预测模型中的相互依赖关系

Yubo Li, Rema Padman

机构 * Carnegie Mellon University（卡内基梅隆大学） 纠错

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

AI总结 Chain-of-Influence提出了一种可解释的深度学习框架，通过构建特征相互作用的显式时间展开图，实现了对临床预测模型中时间与特征间相互依赖关系的追溯，提升了模型的可解释性和透明度。

Proof of Concept: Multi-Target Wildfire Risk Prediction and Large Language Model Synthesis

概念验证：多目标野火风险预测与大语言模型合成

Nicolas Caron, Christophe Guyeux, Hassan Noura, Benjamin Aynes

机构 * Université Marie et Louis Pasteur（玛丽-路易斯·帕斯特大学） ； CNRS（国家科学研究中心） ； FEMTO-ST（弗尔米约-圣特研究中心） ； SAD Marketing（SAD营销） 纠错

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 本文提出一种混合框架，结合多目标预测模型与大语言模型，以生成结构化的野火风险评估报告。

ReWorld: Multi-Dimensional Reward Modeling for Embodied World Models

ReWorld：面向具身世界模型的多维奖励建模

Baorui Peng, Wenyao Zhang, Liang Xu, Zekun Qi, Jiazhao Zhang, Hongsi Liu, Wenjun Zeng, Xin Jin

机构 * Eastern Institute of Technology（东部技术研究所） ； Georgia Institute of Technology（佐治亚理工学院） ； Shanghai Jiao Tong University（上海交通大学） ； Tsinghua University（清华大学） ； University of Science and Technology of China（中国科学技术大学） ； Peking University（北京大学） 纠错

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

AI总结 ReWorld通过多维奖励建模提升具身世界模型的物理真实性和任务完成能力

Knot So Simple: A Minimalistic Environment for Spatial Reasoning

结非简单：一种用于空间推理的极简环境

Zizhao Chen, Yoav Artzi

专题命中 具身与机器人 ：model-based RL(abstract)；分类 cs.AI、cs.LG、cs.CV

AI总结 KnotGym是一种用于空间推理的极简交互环境，通过不同复杂度的绳子操作任务测试感知、推理与操作整合的挑战。

Comments Fix camera ready footer

Towards Fast Coarse-graining and Equation Discovery with Foundation Inference Models

面向快速粗粒化和方程发现的基础推理模型

Manuel Hinz, Maximilian Mauel, Patrick Seifner, David Berghaus, Kostadin Cvejoski, Ramses J. Sanchez

机构 * Lamarr Institute for Machine Learning and Artificial Intelligence（拉马尔人工智能与机器学习研究所） ； University of Bonn（波恩大学） ； Fraunhofer IAIS（弗劳恩霍夫人工智能研究所） ； JetBrains Research（JetBrains研究） 纠错

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

AI总结 本文提出利用基础推理模型分离粗粒化与方程发现，通过预训练模型和简单损失函数实现高效动态系统建模。