世界模型

Describe-Then-Act: Proactive Agent Steering via Distilled Language-Action World Models

描述-然后-行动：通过蒸馏的语言-动作世界模型实现前瞻性智能体导航

Massimiliano Pappa, Luca Romani, Valentino Sacco, Alessio Palma, Stéphane Lathuilière, Fabio Galasso, Xavier Alameda-Pineda, Indro Spinelli

机构 * Sapienza University of Rome, Italy（罗马大学萨皮恩扎） ； Inria, Univ. Grenoble Alpes, CNRS, LJK（法国国家信息与自动化技术研究所） 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DILLO模型，通过蒸馏方法实现无需视觉模拟的前瞻性智能体导航，提升任务成功率。

WildWorld: A Large-Scale Dataset for Dynamic World Modeling with Actions and Explicit State toward Generative ARPG

WildWorld: 一个大规模动态世界建模数据集，包含动作和显式状态，面向生成式ARPG

Zhen Li, Zian Meng, Shuwei Shi, Wenshuo Peng, Yuwei Wu, Bo Zheng, Chuanhao Li, Kaipeng Zhang

机构 * Alaya Studio, Shanda AI Research Tokyo（Alaya工作室，Shanda AI东京研究院） ； Beijing Institute of Technology（北京理工大学） ； Shanghai Innovation Institute（上海创新研究院） ； Shenzhen MSU-BIT University（深圳MSU-BIT大学） ； Tsinghua University（清华大学） 纠错

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

AI总结 本文提出WildWorld数据集，通过AAA动作角色扮演游戏Monster Hunter: Wilds自动收集，包含1.08亿帧视频和450多种动作，包含骨骼、世界状态、相机姿态和深度图标注，用于评估动作跟随和状态对齐。

AI Mental Models: Learned Intuition and Deliberation in a Bounded Neural Architecture

AI 心智模型：在有限神经架构中学习的直觉与推理

Laurence Anthony

机构 * Waseda University（早稻田大学） 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 本文探讨有限神经架构是否能在经典64项演绎推理基准上实现直觉与推理的分工。研究提出双路径架构，通过直觉与推理路径的分离，展示出在交叉验证中推理路径的显著优势，表明模型具备结构化内部计算能力。

Portfolio Optimization under Recursive Utility via Reinforcement Learning

通过强化学习进行递归效用下的投资组合优化

Minkey Chang

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

AI总结 本文研究递归效用是否能提升投资组合分配的强化学习效果，通过蒙特卡洛方法近似递归效用中的确定等价，改进了PPO和A2C算法，实验显示在夏普比率、最大回撤和累计收益上优于传统方法。

EVA: Aligning Video World Models with Executable Robot Actions via Inverse Dynamics Rewards

EVA：通过逆动力学奖励对齐视频世界模型与可执行机器人动作

Ruixiang Wang, Qingming Liu, Yueci Deng, Guiliang Liu, Zhen Liu, Kui Jia

机构 * The Chinese University of Hong Kong, Shenzhen（香港中文大学（深圳）） ； DexForce Technology Co., Ltd.（DexForce技术有限公司） 纠错

专题命中 视频世界模型 ：world model(title,abstract)；world models(title,abstract)；video world model(title,abstract)；world model(title,abstract)

AI总结 本文提出EVA框架，通过逆动力学奖励对齐视频世界模型与可执行动作，减少生成动作中的体感约束违规，提升下游任务执行成功率。

Comments Project page: https://eva-project-page.github.io/

LiveWorld: Simulating Out-of-Sight Dynamics in Generative Video World Models

LiveWorld: 生成视频世界模型中模拟视线外动态

Zicheng Duan, Jiatong Xia, Zeyu Zhang, Wenbo Zhang, Gengze Zhou, Chenhui Gou, Yefei He, Feng Chen, Xinyu Zhang, Lingqiao Liu

机构 * Adelaide University（阿德莱德大学） ； The Australian National University（澳大利亚国立大学） ； Monash University（莫纳什大学） ； Zhejiang University（浙江大学） ； University of Auckland（奥克兰大学） 纠错

专题命中 视频世界模型 ：world model(title,abstract)；world models(title,abstract)；video world model(title,abstract)；world model(title,abstract)

AI总结 LiveWorld提出了一种新框架，解决视频世界模型中视线外动态缺失问题，通过持久化全球状态和监控机制实现持续演化，提升场景一致性。

VTAM: Video-Tactile-Action Models for Complex Physical Interaction Beyond VLAs

VTAM：用于复杂物理交互的视频-触觉-动作模型超越VLAs

Haoran Yuan, Weigang Yi, Zhenyu Zhang, Wendi Chen, Yuchen Mo, Jiashi Yin, Xinzhuo Li, Xiangyu Zeng, Chuan Wen, Cewu Lu, Katherine Driggs-Campbell, Ismini Lourentzou

机构 * University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校） ； Stanford University（斯坦福大学） ； Shanghai Jiao Tong University（上海交通大学） 纠错

专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.LG、cs.CV

AI总结 VTAM通过整合触觉感知提升复杂物理交互的稳定性，其多模态框架在接触密集任务中表现优异，成功率达到90%。

Comments https://plan-lab.github.io/projects/vtam/

PhotoAgent: A Robotic Photographer with Spatial and Aesthetic Understanding

PhotoAgent：一种具有空间与审美理解的机器人摄影师

Lirong Che, Zhenfeng Gan, Yanbo Chen, Junbo Tan, Xueqian Wang

机构 * Center for Artificial Intelligence and Robotics, Shenzhen International Graduate School, Tsinghua University（人工智能与机器人中心，深圳国际研究生院，清华大学） 纠错

专题命中 具身与机器人 ：world model(abstract)；world model(abstract)；分类 cs.AI、cs.CV、cs.RO

AI总结 PhotoAgent通过整合大多模态模型与新型控制范式，将主观审美目标转化为几何约束，利用内部视觉模拟实现快速收敛于高质量图像结果。

Comments Accepted to the IEEE International Conference on Robotics and Automation (ICRA) 2026

U4D: Uncertainty-Aware 4D World Modeling from LiDAR Sequences

U4D：从LiDAR序列中构建不确定性感知的4D世界模型

Xiang Xu, Alan Liang, Youquan Liu, Linfeng Li, Lingdong Kong, Ziwei Liu, Qingshan Liu

机构 * Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； S-Lab, Nanyang Technological University（南洋理工大学S实验室） ； Nanjing University of Posts and Telecommunications（南京邮电大学） ； SKL-TI 纠错

专题命中 自动驾驶 ：world model(title,abstract)；world model(title,abstract)；分类 cs.CV、cs.RO

AI总结 本文提出U4D框架，通过估计空间不确定性图和分阶段生成方法，提升LiDAR序列的几何精度和时间一致性，推动自动驾驶感知与模拟的可靠性。

Comments CVPR 2026; 20 pages, 7 figures, 11 tables; Code at https://github.com/worldbench/U4D

Neural ODE and SDE Models for Adaptation and Planning in Model-Based Reinforcement Learning

神经ODE和SDE模型用于基于模型的强化学习中的适应与规划

Chao Han, Stefanos Ioannou, Luca Manneschi, T. J. Hayward, Michael Mangan, Aditya Gilra, Eleni Vasilaki

机构 * School of Computer Science, The University of Sheffield, UK（谢菲尔德大学计算机科学学院，英国） ； Cancer Research UK National Biomarker Centre, The University of Manchester, UK（英国曼彻斯特大学癌症研究UK国家生物标志物中心） ； School of Chemical, Materials and Biological Engineering, The University of Sheffield, UK（谢菲尔德大学化学、材料和生物工程学院，英国） ； Machine Learning group, Centrum Wiskunde & Informatica, Amsterdam, Netherlands（荷兰阿姆斯特丹Centrum Wiskunde & Informatica机器学习组） ； Institute for Ecological Economics, Vienna University of Economics and Business, Austria（奥地利维也纳经济与商业大学生态经济研究所） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文利用神经ODE和SDE建模随机动力学，通过实验展示SDE在复杂场景中提升策略样本效率的效果，并引入隐式SDE模型应对部分可观测性问题。

Journal ref Transactions on Machine Learning Research (10/2025)

Generalizing Dynamics Modeling More Easily from Representation Perspective

从表示角度更易于泛化动态建模

Yiming Wang, Zhengnan Zhang, Genghe Zhang, Jiawen Dan, Changchun Li, Chenlong Hu, Chris Nugent, Jun Liu, Ximing Li, Bo Yang

机构 * College of Software and Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, China（软件学院，教育部符号计算与知识工程重点实验室，吉林大学，中国） ； School of Computing, Belfast, Northern Ireland, UK（computing 学院，贝尔法斯特，北爱尔兰，英国） 纠错

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

AI总结 本文提出PDEDER方法，通过预训练语言模型和Lyapunov指数目标，实现更稳定的潜在空间动态建模，提升跨系统泛化能力。

Dynamical Systems Theory Behind a Hierarchical Reasoning Model

层次推理模型背后的动力系统理论

Vasiliy A. Es'kin, Mikhail E. Smorkalov

机构 * Department of Radiophysics, University of Nizhny Novgorod（尼日尼诺夫戈罗德大学无线电物理系） ； Huawei Nizhny Novgorod Research Center（华为尼日尼诺夫戈罗德研究中心） ； Skolkovo Institute of Science and Technology（斯克洛科夫科学与技术研究院） 纠错

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

AI总结 本文提出Contraction Mapping Model，通过将离散递归推理转化为连续的NODEs/NSDEs，提供数学严谨且稳定的推理引擎，在Sudoku-Extreme基准测试中取得93.7%的准确率，优于现有模型。