世界模型

Predictive but Not Plannable: RC-aux for Latent World Models

可预测但不可计划：RC-aux用于潜在世界模型

Wenyuan Li, Guang Li, Keisuke Maeda, Takahiro Ogawa, Miki Haseyama

机构 * Hokkaido University（北海道大学） 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RC-aux，通过改进潜在世界模型的时空匹配，提升规划能力，实验表明其在目标导向任务中表现更优。

Render, Don't Decode: Weight-Space World Models with Latent Structural Disentanglement

渲染，而非解码：具有潜在结构解耦的权重空间世界模型

Roussel Desmond Nzoyem, Mauro Comi

机构 * Department of Computer Science（计算机科学系） ； University of Manchester（曼彻斯特大学） ； University of Bristol（布里斯托大学） 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NOVA框架，通过权重和偏置构建隐式神经表示，实现高效且可解释的世界模型，支持结构场景组件的解耦与编辑。

Comments 35 pages, 30 figures, 8 tables

Learning Visual Feature-Based World Models via Residual Latent Action

通过残差潜在动作学习基于视觉特征的世界模型

Xinyu Zhang, Zhengtong Xu, Yutian Tao, Yeping Wang, Yu She, Abdeslam Boularias

机构 * Rutgers University（罗格斯大学） ； Purdue University（普渡大学） ； University of Wisconsin-Madison（威斯康星大学麦迪逊分校） 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RLA-WM世界模型，通过流匹配预测残差潜在动作，优于现有特征和视频扩散模型，且在速度和效率上更优，同时开发了两项机器人学习技术。

Sword: Style-Robust World Models as Simulators via Dynamic Latent Bootstrapping for VLA Policy Post-Training

Sword: 通过动态潜在自举实现风格鲁棒的世界模型作为模拟器用于VLA策略后训练

Jiaxuan Gao, Yongjian Guo, Zhong Guan, Wen Huang, Wanlun Ma, Xi Xiao, Junwu Xiong, Sheng Wen

机构 * Tianjin University（天津大学） ； Tsinghua University（清华大学） ； Swinburne University of Technology（西敏大学） ； JDT AI Infra（JDT AI基础设施） 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Sword框架，通过结构引导的风格增强和动态潜在自举提升VLA模型在特定环境中的泛化能力、生成质量和鲁棒性。

AGWM: Affordance-Grounded World Models for Environments with Compositional Prerequisites

AGWM：基于 affordance 的世界模型用于具有组合前提条件的环境

Qinshi Zhang, Weipeng Deng, Zhihan Jiang, Jiaming Qu, Qianren Li, Weitao Xu, Ray LC

机构 * University of California, San Diego（加州大学圣地亚哥分校） ； University of Hong Kong（香港大学） ； Columbia University（哥伦比亚大学） ； Amazon（亚马逊） ； City University of Hong Kong（香港城市大学） 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 AGWM 模型，通过学习抽象 affordance 结构来跟踪动作的动态可执行性，以解决传统世界模型在多步预测中的误差累积问题。

Comments 16 pages, 3 figures, 4 tables. Appendix on pages 11-16 (main text is self-contained)

LoopNav: Benchmarking Spatial Consistency in World Models

LoopNav：世界模型中空间一致性评估的基准测试

Kewei Lian, Shaofei Cai, Yitao Liang, Anji Liu

机构 * NUS（国立新加坡大学） ； Peking Univeristy（北京大学） 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 LoopNav提出一个基于循环导航的基准测试，用于评估世界模型的空间一致性，通过Minecraft开放世界环境收集250小时视频数据，并引入场景图一致性评分以量化空间一致性。

Comments V3: SGCS

Benchmarking World-Model Learning with Environment-Level Queries

用环境级查询评估世界模型学习

Archana Warrier, Dat Nguyen, Michelangelo Naim, Moksh Jain, Yichao Liang, Karen Schroeder, Cambridge Yang, Joshua B. Tenenbaum, Sebastian Vollmer, Kevin Ellis, Zenna Tavares

机构 * Basis Research Institute ； DFKI GmbH ； Harvard University ； Universit\'e de Montr\'eal \& Mila - Quebec AI Institute ； University of Cambridge ； Massachusetts Institute of Technology ； Cornell University 纠错

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

AI总结 本文提出WorldTest协议，通过环境级查询评估智能体是否学习到支持多种环境属性的模型，通过AutumnBench验证人类在网格世界环境中的表现优于前沿模型。

Comments 34 pages, 10 figures

GEM: Generating LiDAR World Model via Deformable Mamba

GEM: 通过可变形Mamba生成LiDAR世界模型

Yang Wu, Zhaojiang Liu, Qiang Meng, Youquan Liu, Renliang Weng, Jianjun Qian, Jian Yang, Jin Xie

机构 * NJU（南京大学） ； SJTU（上海交通大学） ； FDU（福建师范大学） ； NTU（南京理工大学） 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 GEM通过可变形Mamba架构提升LiDAR世界模型的逼真度与想象力，解决点云无序和动态静态区分难题，实现空间时间感知与自主探索能力。

Three-in-One World Model: Energy-Based Consistency, Prediction, and Counterfactual Inference for Marketing Intervention

三位一体世界模型：用于营销干预的能量一致性、预测和反事实推断

Junichiro Niimi

机构 * Meijo University（名古屋大学） 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 本文提出三位一体世界模型，利用深度玻尔兹曼机学习消费者特征，通过轻量任务适配器实现一致性评估、预测和反事实推断，展示其在营销干预中的优势。

Code World Model Preparedness Report

代码世界模型准备性报告

Daniel Song, Peter Ney, Cristina Menghini, Faizan Ahmad, Aidan Boyd, Nathaniel Li, Ziwen Han, Jean-Christophe Testud, Saisuke Okabayashi, Maeve Ryan, Jinpeng Miao, Hamza Kwisaba, Felix Binder, Spencer Whitman, Jim Gust, Esteban Arcaute, Dhaval Kapil, Jacob Kahn, Ayaz Minhas, Tristan Goodman, Lauren Deason, Alexander Vaughan, Shengjia Zhao, Summer Yue

机构 * MSL Preparedness Team（MSL准备团队） ； AI Security Team（AI安全团队） 纠错

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

AI总结 报告评估了Meta的代码世界模型在潜在灾难性风险领域的准备情况，发现其风险与现有AI生态无异，因此作为开源模型发布。

Comments 25 pages, 3 figures

HAIC: Humanoid Agile Object Interaction Control via Dynamics-Aware World Model

HAIC：通过动态感知世界模型实现人形敏捷物体交互控制

Dongting Li, Xingyu Chen, Qianyang Wu, Bo Chen, Sikai Wu, Hanyu Wu, Guoyao Zhang, Liang Li, Mingliang Zhou, Diyun Xiang, Jianzhu Ma, Qiang Zhang, Renjing Xu

机构 * Tsinghua University（清华大学） ； HKUST(Guangzhou)（香港科技大学（广州）） ； ETH Zurich（苏黎世联邦理工学院） ； Xiaomi Robotics Lab（小米机器人实验室） 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HAIC框架，通过动态预测和空间优先级构建动态占用地图，实现人形机器人在复杂动态环境下与不同物体的稳健交互，提升敏捷任务和多物体长周期任务的完成能力。

Comments RSS 2026. Webpage: https://haic-humanoid.github.io/

ST-Gen4D: Embedding 4D Spatiotemporal Cognition into World Model for 4D Generation

ST-Gen4D：将4D时空认知嵌入世界模型以实现4D生成

Haonan Wang, Hanyu Zhou, Tao Gu, Luxin Yan

机构 * School of Artificial Intelligence and Automation, Huazhong University of Science and Technology（华中科技大学人工智能与自动化学院） ； School of Computing, National University of Singapore（新加坡国立大学计算机学院） ； School of Computing, Macquarie University（麦考瑞大学计算机学院） 纠错

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

AI总结 本文提出ST-Gen4D框架，通过4D时空认知世界模型实现4D生成，结合时空表示、认知、推理和生成四大设计，提升4D生成的结构合理性和拓扑一致性。

Path Integration and Object-Location Binding Emerge in an Action-Conditioned Predictive Sequence Network

路径整合与物体-位置绑定在动作条件预测序列网络中出现

Linda Ariel Ventura, Victoria Bosch, Tim C Kietzmann, Sushrut Thorat

机构 * Sorbonne University（索邦大学） ； Institute of Cognitive Science（认知科学研究所） ； Osnabrück University（奥斯纳布吕克大学） 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 研究探讨了动作条件预测序列网络如何通过上下文学习提升预测准确性，并揭示了路径整合和动态绑定在结构化表示中的作用。

Comments 8 pages, 4 figures; accepted at CogSci 2026

Interpreting Reinforcement Learning Agents with Susceptibilities

用脆弱性解释强化学习智能体

Chris Elliott, Einar Urdshals, David Quarel, Daniel Murfet

机构 * Timaeus 纠错

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

AI总结 本文将神经网络可解释性技术扩展到深度强化学习的后悔设定，探讨脆弱性在简单网格世界模型中的应用，揭示模型在参数空间中的内部发展特征。

Comments 55 pages, comments welcome

Unfolding an Atomistic World: Atomistic Simulation of Reactor Pressure Vessel Steel Across Year-and-Meter Scales

揭示原子世界：反应堆压力容器钢的原子模拟跨越年和米尺度

Haozhi Han, Ruge Zhang, Haoquan Chen, Yifeng Chen, Haipeng Jia, Liang Yuan, Yunquan Zhang, Ting Cao, Yunxin Liu, Ya-Qin Zhang, Kun Li

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

AI总结 本文提出AtomWorld框架，通过算法、HPC和应用三层协同，实现反应堆压力容器钢在年和米尺度的原子模拟，首次达到十夸脱原子系统的模拟规模，时间效率达1.71天/服务年。

PropSplat: Map-Free RF Field Reconstruction via 3D Gaussian Propagation Splatting

PropSplat: 通过3D高斯传播散射实现无地图的射频场重建

William Bjorndahl, Maninder Pal Singh, Farhad Nouri, Joseph Camp

机构 * Department of Electrical and Computer Engineering, Southern Methodist University, Dallas, TX, USA（电气与计算机工程系，南方 Methodist 大学，德克萨斯州达拉斯市） ； Department of Engineering Technology, University of Houston, Houston, TX, USA（工程技术系，德克萨斯大学休斯敦分校） 纠错

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

AI总结 PropSplat利用3D各向异性高斯体重建射频场，无需地理数据或外部信息，通过端到端优化实现精准传播建模，优于现有方法。

Comments Accepted for presentation at IEEE DySPAN 2026