世界模型

Latent World Models for Automated Driving: A Unified Taxonomy, Evaluation Framework, and Open Challenges

潜在世界模型用于自动驾驶：一种统一的分类法、评估框架和开放挑战

Rongxiang Zeng, Yongqi Dong

机构 * RWTH Aachen University（亚琛工业大学） ； Delft University of Technology（代尔夫特理工大学） 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 本文提出统一的潜在空间框架，整合自动驾驶世界模型的最新进展，探讨潜在表示的分类、评估方法及未来研究方向。

Comments 17 pages, 6 figures, under review by IEEE Transactions on Intelligent Transportation Systems (IEEE-T-ITS)

Kaluza-Klein mode mixing in braneworlds: constraints on scalar absorption and physical degrees of freedom

分支世界中的Kaluza-Klein模式混合：标量吸收和物理自由度的限制

Wen-Xuan Ma, Chun-E Fu

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 研究分支世界中Kaluza-Klein模式混合对标量吸收和物理自由度的影响，揭示混合对warp因子的限制及标量模式吸收机制的改变。

Comments 15 pages, 2 tables

Towards a Neural Debugger for Python

迈向Python的神经调试器

Maximilian Beck, Jonas Gehring, Jannik Kossen, Gabriel Synnaeve

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

AI总结 本文提出神经调试器，通过模拟传统调试器实现交互式代码执行控制，提升神经模型在代码执行预测与逆向推理中的能力。

Comments 22 pages

Learning Convex Decomposition via Feature Fields

通过特征场学习凸分解

Yuezhi Yang, Qixing Huang, Mikaela Angelina Uy, Nicholas Sharp

机构 * NVIDIA ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） 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 本文提出通过特征场学习实现高质量的开放世界凸分解，解决了长期存在的凸分解问题，并实现了首个自监督学习的开放世界模型。

Comments 14 pages, 12 figures

Langevin Flows for Modeling Neural Latent Dynamics

兰格朗日流用于建模神经潜在动态

Yue Song, T. Anderson Keller, Yisong Yue, Pietro Perona, Max Welling

机构 * Caltech, Vision Lab（加州理工学院视觉实验室） ； The Kempner Institute for the Study of Natural and Artificial Intelligence, Harvard University（自然与人工智能研究学院，哈佛大学） ； University of Amsterdam, Institute for Informatics（阿姆斯特丹大学信息学院） 纠错

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

AI总结 LangevinFlow通过引入物理先验和振荡器网络，有效建模神经群体的潜在动态及其未观测影响。

Comments Full version of the Cognitive Computational Neuroscience (CCN) 2025 poster

SCALAR: Learning and Composing Skills through LLM Guided Symbolic Planning and Deep RL Grounding

SCALAR：通过LLM引导的符号规划和深度RL接地学习与组合技能

Renos Zabounidis, Yue Wu, Simon Stepputtis, Woojun Kim, Yuanzhi Li, Tom Mitchell, Katia Sycara

专题命中 仿真与规划 ：world model(comments)；world models(comments)；分类 cs.LG；world model(comments)

AI总结 SCALAR通过结合LLM引导的符号规划与深度RL，实现技能学习与组合，显著提升任务完成效率和鲁棒性。

Comments Best Paper Award Honorable Mention at NeurIPS 2025 Workshop on Bridging Language, Agent, and World Models for Reasoning and Planning