世界模型

Simulation Distillation: Pretraining World Models in Simulation for Rapid Real-World Adaptation

模拟蒸馏：在模拟中预训练世界模型以实现快速真实世界适应

Jacob Levy, Tyler Westenbroek, Kevin Huang, Fernando Palafox, Patrick Yin, Shayegan Omidshafiei, Dong-Ki Kim, Abhishek Gupta, David Fridovich-Keil

机构 * University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） ； FieldAI 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SimDist框架，利用物理模拟器生成大量动作条件机器人经验，通过蒸馏结构先验提升世界模型性能，实现高效真实世界适应。

Comments Robotics: Science and Systems 2026

PriorZero: Bridging Language Priors and World Models for Decision Making

PriorZero：连接语言先验与世界模型以实现决策制定

Junyu Xiong, Yuan Pu, Jia Tang, Yazhe Niu

机构 * University of Science and Technology of China（中国科学技术大学） ； Shanghai Artificial Intelligence Laboratory（上海人工智能实验室） ； Nanjing University of Aeronautics and Astronautics（南京航空航天大学） ； The Chinese University of Hong Kong MMLab（香港中文大学MMLab） 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 PriorZero通过解耦的rollout训练设计，将LLM生成的语义先验整合到基于世界模型的规划中，提升探索效率和长期性能，适用于文本冒险游戏和指令遵循任务。

Comments 30 pages, 12 figures

Do Enterprise Systems Need Learned World Models? The Importance of Context to Infer Dynamics

企业系统需要学习的世界模型吗？上下文对推断动态的重要性

Jishnu Sethumadhavan Nair, Patrice Bechard, Rishabh Maheshwary, Surajit Dasgupta, Sravan Ramachandran, Aakash Bhagat, Shruthan Radhakrishna, Pulkit Pattnaik, Johan Obando-Ceron, Shiva Krishna Reddy Malay, Sagar Davasam, Seganrasan Subramanian, Vipul Mittal, Sridhar Krishna Nemala, Christopher Pal, Srinivas Sunkara, Sai Rajeswar

机构 * ServiceNow ； Mila 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 本文探讨了在可配置的企业环境中，代理是否仍需学习动态规则，通过实验表明运行时发现动态比离线训练更鲁棒。

Wavelet Variance Equipartition as a Threshold for World-Model Quality and Quantum Kernel TN-Simulability

小波方差等分作为世界模型质量的阈值及量子核TN可模拟性

Chon-Fai Kam, Xavier Cadet, Miloud Bessafi, Frederic Cadet

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

AI总结 本文基于小波方差等分提出世界模型质量评估标准，并揭示量子核经典模拟性的临界条件，通过张量网络理论证明潜在空间相变，结合VideoMAE分析展现空间与特征通道的二元性，最终推导出量子机器学习可扩展性的限制因素。

Why Conclusions Diverge from the Same Observations: Formalizing World-Model Non-Identifiability via an Inference

结论为何从相同观察中分歧：通过推理正式化世界模型非识别性

Toru Takahashi

机构 * Human Informatics and Systems Laboratory, Doshisha University, Kyoto, Japan（大阪大学人文学与系统实验室，京都，日本） ； Linked Open Data Initiative, NPO, Tokyo, Japan（开放数据倡议，东京，日本） ； Keio Research Institute at SFC, Fujisawa, Japan（庆应义塾大学SFC研究所， Fujisawa，日本） ； Stroly Inc., Kyoto, Japan（Stroly公司，京都，日本） 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 本文探讨了在相同观察下推理结论分歧的本质，提出非识别性是推理学习的固有属性，而非对方认知缺陷。通过θ-级和W-级非识别性分析，揭示了推理框架对数据暴露和模型学习的影响，并关联深度表示学习与监管辩论案例。

Comments 12 pages, 2 figures, 1 table. Extended English version of a paper accepted for presentation at JSAI 2026

DreamPolicy: A Unified World-model Policy for Scalable Humanoid Locomotion

DreamPolicy: 一种统一的世界模型策略用于可扩展的人形机器人运动

Yahao Fan, Tianxiang Gui, Kaiyang Ji, Shutong Ding, Chixuan Zhang, Yifeng Xu, Ke Yang, Jiayuan Gu, Jingyi Yu, Jingya Wang, Ye Shi

机构 * ShanghaiTech University（上海科技大学） ； InstAdapt 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 DreamPolicy通过整合离线数据与扩散式世界模型，实现单一策略掌握已知和未知地形。其地形感知世界模型能生成物理合理的未来轨迹，作为动态目标指导策略，避免手动奖励工程。实验表明，DreamPolicy在未知和复合地形上性能优于基线38%。

Joint Learning of Hierarchical Neural Options and Abstract World Model

层级神经选项与抽象世界模型的联合学习

Wasu Top Piriyakulkij, Wolfgang Lehrach, Kevin Ellis, Kevin Murphy

机构 * Cornell University（康奈尔大学） ； Google Deepmind（谷歌DeepMind） 纠错

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

AI总结 本文提出AgentOWL方法，通过高效样本学习抽象世界模型和层级神经选项，使智能体在Object-Centric Ataris游戏中以更少数据学习更多技能。

Express Your Doubts -- Probabilistic World Modeling Should not be Based on Token logprobs

表达怀疑——概率世界建模不应基于token logprobs

Eitan Wagner, Omri Abend

机构 * Eitan Wagner ； Omri Abend 纠错

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

AI总结 本文探讨了大型语言模型作为概率估计器在世界概率估计中的应用问题，指出基于token logprobs的局限性，并提倡第二阶预测方法以提高概率合理性。

Comments Accepted to ICML 2026 (position track)

SenseNova-U1: Unifying Multimodal Understanding and Generation with NEO-unify Architecture

SenseNova-U1：基于NEO-unify架构的多模态理解和生成统一范式

Haiwen Diao, Penghao Wu, Hanming Deng, Jiahao Wang, Shihao Bai, Silei Wu, Weichen Fan, Wenjie Ye, Wenwen Tong, Xiangyu Fan, Yan Li, Yubo Wang, Zhijie Cao, Zhiqian Lin, Zhitao Yang, Zhongang Cai, Yuwei Niu, Yue Zhu, Bo Liu, Chengguang Lv, Haojia Yu, Haozhe Xie, Hongli Wang, Jianan Fan, Jiaqi Li, Jiefan Lu, Jingcheng Ni, Junxiang Xu, Kaihuan Liang, Lianqiang Shi, Linjun Dai, Linyan Wang, Oscar Qian, Peng Gao, Pengfei Liu, Qingping Sun, Rui Shen, Ruisi Wang, Shengnan Ma, Shuang Yang, Siyi Xie, Siying Li, Tianbo Zhong, Xiangli Kong, Xuanke Shi, Yang Gao, Yongqiang Yao, Yves Wang, Zhengqi Bai, Zhengyu Lin, Zixin Yin, Wenxiu Sun, Ruihao Gong, Quan Wang, Lewei Lu, Lei Yang, Ziwei Liu, Dahua Lin

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

AI总结 SenseNova-U1通过NEO-unify架构实现多模态理解与生成的统一，展示了在文本理解、视觉语言感知、知识推理、代理决策和空间智能等任务中的表现，同时在X2I合成、图文生成和视觉语言生成中表现出色。

Comments Project page: https://github.com/OpenSenseNova/SenseNova-U1

3D Gaussian Splatting for Efficient Retrospective Dynamic Scene Novel View Synthesis with a Standardized Benchmark

基于3D高斯点划的高效回顾性动态场景新视角合成与标准化基准

Yunxiao Zhang, Suryansh Kumar

机构 * Visual and Spatial AI Lab（视觉与空间人工智能实验室） ； VCCM Section College of PVFA（VCCM学院光电工程学院） ； Department of ECEN（电子工程系） ； Department of CSCE（计算机科学与工程系） ； Texas A&M University（德克萨斯A&M大学） 纠错

专题命中 通用世界模型 ：world model(comments)；world models(comments)；分类 cs.CV；world model(comments)

AI总结 本文提出基于同步多视角动态场景的3D高斯点划方法，无需时间耦合约束即可实现高效回顾性动态场景新视角合成，并构建了标准化的动态多视角数据集框架以支持可重复的NeRF和3DGS研究。

Comments Accepted for publication at CVPR 2026; 4D World Models Workshop. Draft info: 14 pages, 4 figures, 8 tables

Rethinking external validation for the target population: Capturing patient-level similarity with a generative model

重新思考目标人群的外部验证：利用生成模型捕捉患者层面的相似性

Mohammad Azizmalayeri, Ameen Abu-Hanna, Saskia Houterman, Marije M. Vis, Giovanni Cinà

机构 * Amsterdam UMC location University of Amsterdam, Dept of Medical Informatics（阿姆斯特丹大学医学中心（Amsterdam UMC）医学信息学系） ； Amsterdam Public Health Research Institute（阿姆斯特丹公共卫生研究所） ； Netherlands Heart Registration (NHR)（荷兰心脏登记处） ； Amsterdam UMC, Dept of Cardiology（阿姆斯特丹大学医学中心（Amsterdam UMC）心内科部） ； Institute for Logic, Language and Computation, University of Amsterdam（阿姆斯特丹大学逻辑、语言和计算研究所） 纠错

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

AI总结 本文提出利用生成模型量化外部患者与开发数据的相似性，以区分模型缺陷与病例混合效应，提升外部验证的可解释性。