世界模型

Horizon Imagination: Efficient On-Policy Rollout in Diffusion World Models

地平线想象：在扩散世界模型中实现高效的 on-policy 滚动

Lior Cohen, Ofir Nabati, Kaixin Wang, Navdeep Kumar, Shie Mannor

机构 * Technion（技术学院） ； Microsoft Research（微软研究院） 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 本文提出地平线想象方法，通过并行去噪和子帧预算优化，在扩散世界模型中实现高效的 on-policy 滚动，提升生成质量与控制性能。

Comments This paper will be published in the ICLR 2026 proceedings

stable-worldmodel-v1: Reproducible World Modeling Research and Evaluation

stable-worldmodel-v1: 可复现的世界建模研究与评估

Lucas Maes, Quentin Le Lidec, Dan Haramati, Nassim Massaudi, Damien Scieur, Yann LeCun, Randall Balestriero

机构 * Mila & Université de Montréal（Mila与蒙特利尔大学） ； New York University（纽约大学） ； Brown University（布朗大学） ； Samsung SAIL（三星SAIL） 纠错

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

AI总结 stable-worldmodel-v1 提供了一个模块化、可复现的世界模型研究生态系统，支持标准化环境和持续学习研究，并用于评估DINO-WM的零样本鲁棒性。

VLM-DEWM: Dynamic External World Model for Verifiable and Resilient Vision-Language Planning in Manufacturing

VLM-DEWM：动态外部世界模型用于制造中的可验证和抗毁视觉语言规划

Guoqin Tang, Qingxuan Jia, Gang Chen, Tong Li, Zeyuan Huang, Zihang Lv, Ning Ji

机构 * School of Intelligent Engineering and Automation（智能工程与自动化学院） 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 VLM-DEWM通过动态外部世界模型提升制造中视觉语言规划的可验证性和抗毁性，显著提高状态跟踪精度和恢复成功率。

World-Model-Augmented Web Agents with Action Correction

具有动作修正的世界模型增强型网络代理

Zhouzhou Shen, Xueyu Hu, Xiyun Li, Tianqing Fang, Juncheng Li, Shengyu Zhang

机构 * Zhejiang University（浙江大学） ； Tencent AI Lab（腾讯AI实验室） 纠错

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

AI总结 WAC通过多代理协作和风险感知机制，提升网络代理在复杂任务中的鲁棒性和执行效率。

Safe Reinforcement Learning via Recovery-based Shielding with Gaussian Process Dynamics Models

通过基于恢复的防护机制实现安全强化学习

Alexander W. Goodall, Francesco Belardinelli

机构 * Imperial College London, Department of Computing（伦敦帝国学院计算机系） 纠错

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

AI总结 本文提出一种基于高斯过程的恢复防护机制，用于在未知非线性系统中实现安全强化学习，通过动态恢复和内部模型采样实现安全与高效的学习。

Comments Accepted at AAMAS 2026

Uni-Flow: a unified autoregressive-diffusion model for complex multiscale flows

Uni-Flow：一种统一的自回归-扩散模型用于复杂多尺度流体

Xiao Xue, Tianyue Yang, Mingyang Gao, Leyu Pan, Maida Wang, Kewei Zhu, Shuo Wang, Jiuling Li, Marco F. P. ten Eikelder, Peter V. Coveney

机构 * Centre for Computational Science, University College London, London, UK ； Department of Earth Science ； Engineering, Imperial College London, London, UK ； Department of Chemical Engineering, University College London, London, UK ； Department of Physics, Eindhoven University of Technology, Eindhoven, Netherlands ； School of Civil \& Environmental Engineering, Queensland University of Technology, Brisbane, Australia ； Australian Centre for Water ； Environmental Biotechnology, The University of Queensland, Brisbane, Australia ； Institute for Mechanics, Computational Mechanics Group, Technical University of Darmstadt, Germany ； Centre for Advanced Research Computing, University College London, London, UK 纠错

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

AI总结 Uni-Flow通过统一自回归-扩散模型，实现复杂多尺度流体的高效建模与高分辨率重构。