世界模型

World4RL: Diffusion World Models for Policy Refinement with Reinforcement Learning for Robotic Manipulation

World4RL: 基于扩散世界模型的强化学习政策精修框架用于机器人操作

Zhennan Jiang, Kai Liu, Yuxin Qin, Shuai Tian, Yupeng Zheng, Mingcai Zhou, Chao Yu, Haoran Li, Dongbin Zhao

机构 * The State Key Laboratory of Multimodal Artificial Intelligence Systems, Institute of Automation, Chinese Academy of Sciences（多模态人工智能系统国家重点实验室，自动化研究所，中国科学院） ； School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院） ； Zhongguancun Academy（中关村学院） ； Beijing Zhongke Huiling Robot Technology Co（北京中科创联机器人技术有限公司） ； Department of Electronic Engineering, Tsinghua University（清华大学电子工程系） 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 World4RL通过扩散世界模型提升机器人操作政策的精修效果，采用高保真模拟环境进行端到端政策优化，优于模仿学习及其他基线方法。

Structured Latent Dynamics in Wireless CSI via Homomorphic World Models

通过同态世界模型在无线CSI中实现结构化潜在动态

Salmane Naoumi, Mehdi Bennis, Marwa Chafii

机构 * Engineering Division, New York University (NYU), Abu Dhabi, UAE.（纽约大学阿布扎克分校工程系） ； Center for Wireless Communications, University of Oulu, Finland.（奥卢大学无线通信中心） ； NYU WIRELESS, NYU Tandon School of Engineering, New York, USA.（纽约大学无线技术实验室，纽约大学坦顿工程学院） 纠错

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

AI总结 本文提出一种自监督框架，通过建模CSI的时间演变，在紧凑的潜在空间中学习无线信道的预测和结构化表示，利用JEPA学习动作条件的潜在动态，通过同态更新提升几何一致性和组合性，实验表明其在保持拓扑和预测未来嵌入方面优于基线方法。

Comments ACCEPTED FOR PUBLICATION IN IEEE INTERNATIONAL CONFERENCE ON COMMUNICATIONS (ICC) 2026

WorldAgents: Can Foundation Image Models be Agents for 3D World Models?

WorldAgents: 2D基础图像模型是否能作为3D世界模型的智能体？

Ziya Erkoç, Angela Dai, Matthias Nießner

机构 * Technical University of Munich（慕尼黑技术大学） 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 本文探讨2D基础图像模型是否具备3D世界生成能力，提出多智能体架构实现3D世界合成，通过实验验证2D模型能生成一致且逼真的3D世界。

Comments Webpage: https://ziyaerkoc.com/worldagents/ Video: https://www.youtube.com/watch?v=Mj2FqqhurdI

R2-Dreamer: Redundancy-Reduced World Models without Decoders or Augmentation

R2-Dreamer：无需解码器或增强的冗余减少世界模型

Naoki Morihira, Amal Nahar, Kartik Bharadwaj, Yasuhiro Kato, Akinobu Hayashi, Tatsuya Harada

机构 * Honda R&D Co., Ltd.（本田研发株式会社） ； The University of Tokyo（东京大学） ； RIKEN AIP（日本科学技术研究院（RIKEN）先进研究所（AIP）） 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 R2-Dreamer提出一种无需解码器或增强的基于模型的强化学习框架，通过自监督目标作为内部正则化器，提高表示鲁棒性，训练速度更快且在多个任务中表现优异。

Comments 20 pages, 12 figures, 2 tables

Journal ref Published as a conference paper at ICLR 2026

DynFlowDrive: Flow-Based Dynamic World Modeling for Autonomous Driving

DynFlowDrive: 基于流的动态世界建模用于自动驾驶

Xiaolu Liu, Yicong Li, Song Wang, Junbo Chen, Angela Yao, Jianke Zhu

机构 * Zhejiang University（浙江大学） ； National University of Singapore（新加坡国立大学） 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DynFlowDrive，通过流基于的动力学建模提升自动驾驶中的场景预测可靠性，引入稳定性感知的多模式轨迹选择策略，实验证明在nuScenes和NavSim基准上效果显著。

Comments 18 pages, 6 figs