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。

Aligning Agentic World Models via Knowledgeable Experience Learning

通过知识性经验学习对齐代理世界模型

Baochang Ren, Yunzhi Yao, Rui Sun, Shuofei Qiao, Ningyu Zhang, Huajun Chen

机构 * Zhejiang University（浙江大学） ； University of California, Los Angeles（加州大学洛杉矶分校） 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 WorldMind通过知识性经验学习对齐代理世界模型，解决物理模拟中的幻觉问题，实现跨环境的高效迁移。

Comments EMNLP 2026 Findings

WM-R1: Training GUI Agents to Reason and leverage World Models with Reinforcement Learning

WM-R1：用强化学习训练GUI智能体以推理并利用世界模型

Yu Han, Tianwen Qian

机构 * School of Computer Science and Technology, East China Normal University（华东师范大学计算机科学与技术学院） 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 该研究提出首个用世界模型替代真实环境训练GUI智能体的强化学习框架WM-R1，在Android基准测试中其性能显著优于仅GRPO的基线方法和推理时模拟方法。

An Enclosed Mode Is a Gauge Choice: Topology Relative to Reach in Certified Code World Models

闭合模式是一种规范选择：认证代码世界模型中相对于可达性的拓扑结构

Javier Aguilar Martín

机构 * AGILabs 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 该研究探讨认证代码世界模型中相对于可达性的拓扑，通过LLM合成实验得出三条原则，揭示危险与可达性的关联、修复的限制及缓解措施需匹配错误维度方向的结论。

Comments 33 pages, 2 figures. Paper 3 of a series (companion papers: arXiv:2607.14169 (https://arxiv.org/abs/2607.14169), arXiv:2608.17956 (https://arxiv.org/abs/2608.17956) ). Code, data, and Lean formalization: this https URL (https://github.com/JaviMaligno/code-world-models)

PAWBench: How Far Are We from Probabilistically Aligned World Modeling?

PAWBench：我们离概率对齐的世界建模还有多远？

Yuandong Pu, Le Zhuo, Sayak Paul, Gabriel Jorge Menezes, Avram Đorđević, Shiyang Li, Yifan Zhou, Bin Fu, Wenlong Zhang, Junjun He, Yu Qiao, Yihao Liu, Jinbo Xing, Xi Chen

机构 * Shanghai Jiao Tong University（上海交通大学） ； Shanghai AI Laboratory（上海人工智能实验室） ； Krea AI ； Huggingface ； Shanghai Innovation Institute（上海创新研究院） ； Tongyi Lab（通义实验室） ； The University of Hong Kong（香港大学） 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 本研究针对当前视频生成器未满足概率对齐世界建模要求的问题，提出PAWBench基准与PAWEval协议，经50种场景和11个系统测试发现无模型达要求，为相关研究奠定基础。

SpatialCrafter: Single Image World Modeling with Generative 3D Proxies

SpatialCrafter：基于生成式3D代理的单图像世界建模

Chuan Fang, Lingteng Qiu, Yixun Liang, Rui Chen, Kunming Luo, Zhaohua Zheng, Tongyuan Bai, Feipeng Tian, Zilong Dong, Zihan Zhou, Ping Tan

机构 * Hong Kong University of Science and Technology（香港科技大学） ； Tongyi Lab, Alibaba Group（阿里巴巴集团通义实验室） ； ManyCore Tech Inc.（ManyCore科技公司） ； Jilin University（吉林大学） 纠错

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

AI总结 SpatialCrafter是解决图像到场景生成问题的两阶段框架，通过3D代理及相关策略提升3D一致性，构建了115K场景的新数据集，性能优于现有方法且鲁棒性强。

Comments 12 pages

Should I Use This Synthetic Dataset for Training? How to Test with Minimal Real Data

我应该使用这个合成数据集进行训练吗？如何用最少的真实数据进行测试

Zhenyu Tao, Wei Xu, Xiaohu You, Petar Popovski, Osvaldo Simeone

机构 * Southeast University（东南大学） ； Purple Mountain Laboratories（紫金山实验室） ； Aalborg University（奥尔堡大学） ； Northeastern University London（伦敦东北大学） 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 本文提出aeSFT方法，用极少真实数据判断合成数据集是否可用于训练，实验表明其识别有用合成数据的效率优于均值序贯测试，性能与固定样本符号翻转测试等相当且假阳性率达标。

Comments Submitted to IEEE

WALDO: One-Shot Exemplar-Conditioned Object Detection in Cluttered Scenes

WALDO：杂乱场景中的一次性示例条件目标检测

Kishor Datta Gupta, Ahmed Rafi Hasan, Md. Mahfuzur Rahman, Md. Sadman Haque, Mohd Ariful Haque

机构 * Clark Atlanta University（克拉克亚特兰大大学） ； United International University（联合国际大学） 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WALDO检测头，利用V-JEPA 2.1特征实现低成本一次性示例条件目标检测，在杂乱场景的AP@50优于Grounding DINO，验证了世界模型特征对定位和不存在检测的迁移能力。

AcrossVAM1.0: Particle World Modeling for Text-Assisted Robot Video Prediction

AcrossVAM1.0：面向文本辅助机器人视频预测的粒子世界建模

Yafei Zhang, Nan Wu

机构 * Across Physical AI（跨越物理人工智能公司） ； Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所） 纠错

专题命中 视频世界模型 ：world model(title)；world model(title)；分类 cs.AI、cs.RO

AI总结 该研究提出AcrossVAM1.0模型，通过分解为粒子运动与外观，在文本辅助下实现机器人视频预测，在VRS基准上显著降低轨迹误差、提升PSNR/SSIM等指标，但仍存在LPIPS未超越基线等局限。

Aero Hand Open: A Simulation-Ready Tendon-Driven Hand for Dexterous Manipulation Learning

Aero Hand Open：一种适用于灵巧操作学习的可仿真肌腱驱动手

Nan Wang, Mohit Yadav, Jonathan Wulff, Aidan Rosenbaum, Kezhou Chen, Yuvan Sharma, Xu Dong, Yiwei Tao

机构 * Chestnut Robotics（栗智机器人） ； California Institute of Technology（加州理工学院） 纠错

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

AI总结 本文提出Aero Hand Open这款仿真就绪的肌腱驱动拟人化手，配套仿真模型、驱动映射与强化学习包，可实现策略在仿真中训练后直接部署到实体手，无需微调与状态估计，并发布了相关全套资源。

Comments 20 pages, 9 figures. Project page: this https URL (https://tetheria.github.io/aero-hand-open/)

JEPA-x: Cross-Predictive Physics Grounding for Forecastable Latent Dynamics

XP-JEPA：用于可预测潜在动力学的交叉预测物理基础

Kehan Wen, Ziming Li, Siyuan Luo, Fan Shi

专题命中 模型式强化学习 ：latent dynamics(title,abstract)；world model(abstract)；world models(abstract)；world model(abstract)

AI总结 XP-JEPA通过将视觉与物理表征交叉预测，提升了潜在动力学的可预测性，在多任务套件上降低了展开漂移并提高了控制成功率，无需特权输入即可实现更优的基于展开的控制性能。

Comments Under review

Learning to Allocate Incentives for Incentivized Advertising via Offline Model-Based Reinforcement Learning

基于离线模型强化学习的激励式广告激励分配学习

Zilin Zhao, Han Yang, Tianpei Yang, Fangsheng Huang, Yanfei Cui, Kan Peng, Yi Li, Yiming Zong, Hao Zhang, Yinsong Xue

机构 * State Key Laboratory of Novel Software Technology, Nanjing University（南京大学计算机软件新技术国家重点实验室） ； ByteDance（字节跳动） ； The Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(title)；model-based RL(abstract,abstract_cn)；world model(abstract)；world model(abstract)

AI总结 本研究针对激励式广告的序列激励分配问题，提出离线模型强化学习框架，实验显示MB-IQL可显著提升人均净利润，验证了该框架的有效性。

PHR-VLA: Planning Horizon Reasoning for Vision-Language-Action Models

PHR-VLA：面向视觉-语言-动作模型的规划视界推理

Davood Soleymanzadeh, Kaidi Zhang, Zhiyuan Zhang, Bihao Zhang, Xiao Liang, Yu She, Minghui Zheng

机构 * Texas A&M University（德克萨斯农工大学） ； Purdue University（普渡大学） 纠错

专题命中 仿真与规划 ：latent dynamics(abstract)；分类 cs.AI、cs.RO

AI总结 该研究针对现有视觉-语言-动作模型缺乏未来任务动态推理机制的问题，提出PHR-VLA框架，通过辅助未来头对齐潜在动态，提升了机器人操纵任务的成功率。