世界模型

Learning to unfold cloth: Scaling up world models to deformable object manipulation

学习展开布料：将世界模型扩展到可变形物体操控

Jack Rome, Stephen James, Subramanian Ramamoorthy

机构 * University of Edinburgh（爱丁堡大学） 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 本文提出了一种基于改进的DreamerV2架构，在空中操控不同布料，通过改进模型结构和数据增强策略，提升对可变形物体操控的泛化能力。

Comments 8 pages, 5 figures, 3 tables

World Model Failure Classification and Anomaly Detection for Autonomous Inspection

自主检测机器人的世界模型故障分类与异常检测

Michelle Ho, Muhammad Fadhil Ginting, Isaac R. Ward, Andrzej Reinke, Mykel J. Kochenderfer, Ali-akbar Agha-Mohammadi, Shayegan Omidshafiei

机构 * Stanford University（斯坦福大学） ； Field AI 纠错

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

AI总结 本文提出了一种结合监督分类与异常检测的混合框架，用于自主检测任务中的故障分类和异常检测，实现了超过90%的准确率。

Language and Experience: A Computational Model of Social Learning in Complex Tasks

语言与经验：复杂任务中的社会学习计算模型

Cédric Colas, Tracey Mills, Ben Prystawski, Michael Henry Tessler, Noah Goodman, Jacob Andreas, Joshua Tenenbaum

机构 * MIT（麻省理工学院） ； Stanford University（斯坦福大学） ； Google DeepMind（谷歌DeepMind） 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 本文提出了一种计算模型，通过结合语言指导与直接经验，模拟复杂任务中的社会学习过程，并展示了人类与模型之间的知识传递机制。

Comments Code: github.com/ccolas/language_and_experience Demo: cedriccolas.com/demos/language_and_experience

Journal ref ICLR 2026; CogSci 2025

Geometric Neural Operators via Lie Group-Constrained Latent Dynamics

通过李群约束的潜在动态实现几何神经算子

Jiaquan Zhang, Fachrina Dewi Puspitasari, Songbo Zhang, Yibei Liu, Kuien Liu, Caiyan Qin, Fan Mo, Peng Wang, Yang Yang, Chaoning Zhang

机构 * School of Information and Software Engineering, University of Electronic Science and Technology of China（信息与软件工程学院，电子科学与技术大学） ； Computer Science and Engineering, University of Electronic Science and Technology of China（计算机科学与工程，电子科学与技术大学） ； Institute of Software Chinese Academy of Sciences, Beijing, China（软件研究所，中国科学院） ； School of Robotics and Advanced Manufacture, Harbin Institute of Technology, Shenzhen, China（机器人与先进制造学院，哈尔滨工业大学（深圳）） ； Department of Computer Science, University of Oxford, Oxford, United Kingdom（计算机科学系，牛津大学） 纠错

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

AI总结 本文提出了一种基于李群约束的潜在动态方法，用于改进神经算子的几何诱导偏差，从而提高长期预测的保真度。