世界模型

Visuo-Tactile World Models

视觉-触觉世界模型

Carolina Higuera, Sergio Arnaud, Byron Boots, Mustafa Mukadam, Francois Robert Hogan, Franziska Meier

机构 * Paul G. Allen School of Computer Science, University of Washington（华盛顿大学保罗·G·阿伦计算机科学学院） ； FAIR, Meta（FAIR，Meta） 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 本文提出视觉-触觉世界模型，通过融合视觉与触觉传感提升机器人在接触丰富任务中的物理建模能力，实验显示其在物体永恒性和运动定律遵守方面表现更优，并在真实机器人任务中实现更高的成功率。

Comments Preprint

The Double Life of Code World Models: Provably Unmasking Malicious Behavior Through Execution Traces

代码世界模型的双重生命：通过执行轨迹证明性地揭示恶意行为

Subramanyam Sahoo

机构 * Berkeley AI Safety Initiative (BASIS) UC Berkeley（伯克利人工智能安全倡议（BASIS）加州大学伯克利分校） 纠错

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

AI总结 通过语义轨道分析，CTVP验证代码生成模型的恶意行为，引入ARQ量化验证成本，理论证明对抗鲁棒性非游戏化。

Comments 13 Pages, A Preprint

Verification of the Implicit World Model in a Generative Model via Adversarial Sequences

通过对抗序列验证生成模型中的隐式世界模型

András Balogh, Márk Jelasity

机构 * University of Szeged（塞格德大学） ； HUN-REN–SZTE Research Group on AI（人工智能研究组） 纠错

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

AI总结 本研究通过对抗序列生成方法验证生成模型中的隐式世界模型有效性，发现多数模型无效，但部分训练技术可显著提升有效性。

Comments Accepted at ICLR 2026. Code, datasets, and models are available at https://github.com/szegedai/world-model-verification

PIRATR: Parametric Object Inference for Robotic Applications with Transformers in 3D Point Clouds

PIRATR：基于变换器的参数化物体推理用于机器人应用的3D点云

Michael Schwingshackl, Fabio F. Oberweger, Mario Niedermeyer, Huemer Johannes, Markus Murschitz

机构 * AIT Austrian Institute of Technology Center for Vision, Automation & Control（奥地利技术研究院视觉、自动化与控制中心） 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 PIRATR通过端到端3D点云检测框架，结合变换器实现参数化物体的6自由度姿态和属性估计，适用于机器人应用。

Comments 8 Pages, 11 Figures, Accepted at 2026 IEEE International Conference on Robotics & Automation (ICRA) Vienna

Relational Graph Transformer

关系图变换器

Vijay Prakash Dwivedi, Sri Jaladi, Yangyi Shen, Federico López, Charilaos I. Kanatsoulis, Rishi Puri, Matthias Fey, Jure Leskovec

机构 * Stanford University（斯坦福大学） ； NVIDIA 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 RelGT通过新颖的多元素分词策略，解决关系图中异构性、时效性和拓扑结构的编码问题，实现对关系数据的高效建模，优于GNN基线。

Comments ICLR 2026, Code: https://github.com/snap-stanford/relgt

Advancing Opinion Dynamics Modeling with Neural Diffusion-Convection-Reaction Equation

用神经扩散-对流-反应方程推进意见动力学建模

Chenghua Gong, Yihang Jiang, Hao Li, Rui Sun, Juyuan Zhang, Tianjun Gu, Liming Pan, Linyuan Lü

机构 * University of Science and Technology of China（科学技术大学） ； Wuhan University（武汉大学） ； East China Normal University（华东师范大学） 纠错

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

AI总结 本文提出OPINN框架，通过整合物理信息与神经网络，提升意见动力学建模的预测性能和物理可解释性。