世界模型

What Do World Models Learn in RL? Probing Latent Representations in Learned Environment Simulators

世界模型在强化学习中学习了什么？在学习的环境模拟器中探测潜在表示

Xinyu Zhang

机构 * Anyscale 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 研究通过线性与非线性探针、因果干预和注意力分析，探讨了IRIS和DIAMOND两种架构的世界模型对游戏状态的内部表示，发现其具有近似线性的结构化表示。

Comments 5 pages, 3 figures, 1 table

Journal ref ICLR 2026 the 2nd Workshop on World Models: Understanding, Modelling and Scaling

Probabilistic Dreaming for World Models

基于概率的梦境学习用于世界模型

Gavin Wong

机构 * Yale University（耶鲁大学） 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 本文提出基于概率的梦境学习方法，通过并行探索潜在状态和保持不同假设，提升世界模型的学习效率和稳定性。

Comments Presented at ICLR 2026: 2nd Workshop on World Models

AdaWorld: Learning Adaptable World Models with Latent Actions

Shenyuan Gao, Siyuan Zhou, Yilun Du, Jun Zhang, Chuang Gan

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)

Comments ICML 2025. Project page: https://adaptable-world-model.github.io/, code: https://github.com/Little-Podi/AdaWorld, model: https://huggingface.co/Little-Podi/AdaWorld

Learning Transformer-based World Models with Contrastive Predictive Coding

Maxime Burchi, Radu Timofte

机构 * Computer Vision Lab, CAIDAS & IFI, University of Würzburg（计算机视觉实验室、CAIDAS与IFI、乌尔姆大学） 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)

World Models as Reference Trajectories for Rapid Motor Adaptation

Carlos Stein Brito, Daniel McNamee

机构 * NightCity Labs（NightCity实验室） ； Champalimaud Centre for the Unknown（Champalimaud未知中心） 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)

Improving World Models using Deep Supervision with Linear Probes

Andrii Zahorodnii

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)

Comments ICLR 2025 Workshop on World Models

Towards Suturing World Models: Learning Predictive Models for Robotic Surgical Tasks

Mehmet Kerem Turkcan, Mattia Ballo, Filippo Filicori, Zoran Kostic

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)

PWM: Policy Learning with Multi-Task World Models

Ignat Georgiev, Varun Giridhar, Nicklas Hansen, Animesh Garg

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)

Comments Visualizations and code available at https://www.imgeorgiev.com/pwm

iVideoGPT: Interactive VideoGPTs are Scalable World Models

Jialong Wu, Shaofeng Yin, Ningya Feng, Xu He, Dong Li, Jianye Hao, Mingsheng Long

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)

Comments NeurIPS 2024. Code is available at project website: https://thuml.github.io/iVideoGPT

Efficient World Models with Context-Aware Tokenization

Vincent Micheli, Eloi Alonso, François Fleuret

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)

Comments ICML 2024

MAMBPO: Sample-efficient multi-robot reinforcement learning using learned world models

Daniël Willemsen, Mario Coppola, Guido C. H. E. de Croon

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)

Comments Submitted to 2021 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS 2021)

Future Querying: Can LLMs Serve as Implicit Medical World Models?

未来查询：大语言模型能否作为隐式医学世界模型？

Siri Willems, James Butterworth, Lore Goetschalckx, Peter Vrancx, Philippe Modard, Elke Giets, Ludovic Denoyer

机构 * imec, AI-labs（imec人工智能实验室） 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 本研究提出未来查询范式，探究LLMs能否作为隐式医学世界模型，其框架可基于非结构化临床文档运行，经微调的小型开放权重模型性能接近专有系统，在相关数据集上验证了LLMs可捕捉临床动态。

Comments This paper is accepted at The 1st MICCAI Workshop on Medical World Models (MICCAI-2026)

Towards Zero-Shot Task Transfer with Neurosymbolic World Models

面向基于神经符号世界模型的零样本任务迁移

Isidoro Tamassia, Lennert De Smet, Giuseppe Marra

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 本研究提出一种神经符号世界模型，通过解耦观测重构与奖励预测，实现无需额外环境交互的零样本任务迁移，其泛化能力优于纯神经方法。

Mask2Real-WM: Segmentation Masks as a Sim-to-Real Bridge for Controllable Dexterous World Models

Mask2Real-WM：作为可控灵巧世界模型的模拟到现实桥梁的分割掩码

Riccardo O. Feingold, Davide Liconti, Chenyu Yang, Robert K. Katzschmann

机构 * Soft Robotic Lab, Department of Mechanical and Process Engineering ETH Zurich, Switzerland（苏黎世联邦理工学院机械与过程工程系软机器人实验室） 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 提出Mask2Real-WM，一种用于灵巧操纵的两阶段动作条件世界模型，将像素预测解耦为动力学和渲染模型，利用分割空间较小的模拟到现实差距，通过合成数据预训练和真实演示微调实现各自由度动作可控。

Comments 23 pages, 24 figures, 4 tables. Preprint. Project page: https://srl-ethz.github.io/Mask2Real-WM/

Q-Learning With World Models

结合世界模型的Q学习

Perry Dong, Yueru Jia, Chelsea Finn, Dorsa Sadigh

机构 * Stanford University（斯坦福大学） ； Peking University（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 本研究提出QWM框架，将世界模型与标准Q学习结合，在真实环境训练中避免复合模型偏差，在Robomimic和LIBERO基准上的样本效率与性能均优于现有SOTA方法。

Dueling World Models: Advantage-Style Action Channels for Common-Mode Distractor Rejection

对决世界模型：用于共模干扰项抑制的优势式动作通道

Jiazhuo Li, Yiming Fei, Zhiruo Zhou, Heikichi Hayashi

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 该研究提出对决世界模型，通过在潜在动态中减去动作预测的平均效应来抑制共模干扰项，无需额外机制，在多个任务中可恢复智能体自身效应，适用于各类动作条件世界模型。

Comments 17 pages, 6 figures, 11 tables. Includes supplementary appendix

Dreamer-CPC: Message Learning with World Models for Decentralized Multi-agent Reinforcement Learning

Dreamer-CPC：用于去中心化多智能体强化学习的基于世界模型的消息学习

Taisuke Takayama, Naoto Yoshida, Tadahiro Taniguchi

机构 * Graduate School of Informatics, Kyoto University, Kyoto, Japan（京都大学信息学研究生院） ； Research Organization of Science and Technology, Ritsumeikan University, Shiga, Japan（立命馆大学科学技术研究机构） 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 研究针对多智能体强化学习中通信问题，提出Dreamer-CPC方法，将基于CPC的消息学习集成到DreamerV3世界模型，各智能体据此独立维护模型与模块并交换消息，实验表明该方法在多种环境下优于现有方法，能有效支持去中心化决策。

Comments 15 pages, 6 figures. Under review at ICONIP 2026

Operator-on-F complements value-equivalence: a planning-time diagnostic for latent world models

算子对F补充值等价性：潜在世界模型的规划时诊断

Donna Vakalis

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 研究针对基于模型的强化学习中世界模型评估问题，引入算子对F诊断，通过模型自身预测器比较模型与环境的k步潜在前推，揭示其与规划回报的强关联及在跨架构比较中的作用，补充而非替代值等价性诊断。

Comments Accepted at RLC 2026 WM Workshop. V2 places the diagnostic in Koopman representation theory; references expanded. Results unchanged

Cycle-World: Mitigating Error Accumulation in Long-term Video World Models via Reverse-Prediction Cycle Consistency

循环世界：通过反向预测循环一致性减轻长期视频世界模型中的误差累积

Zihan Su, Teng Hu, Jiangning Zhang, Ruiyan Wang, Ran Yi, Lizhuang Ma, Dacheng Tao

机构 * School of Computer Science, Shanghai Jiao Tong University, Shanghai, China（上海交通大学计算机科学学院） ； Institute of Cyber-Systems and Control, Zhejiang University, Hangzhou, China（浙江大学控制系统研究所） ； Nanyang Technological University, Singapore（新加坡南洋理工大学） 纠错

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

AI总结 针对自回归扩散模型在长视频生成中误差累积问题，提出循环世界框架，通过训练和推理阶段的时间可逆性及反向预测模型抑制误差，实验证明其在VBench基准测试中显著减轻误差漂移，提升生成质量和时间一致性。

Comments Accepted by ECCV 2026

A Control Theory of Predictability in Latent World Models

潜在世界模型中可预测性的控制理论

Hanzhe You, Yonggang Zhang, Maohao Ran, Zhiqin Yang, Zhenyuan Zhang, Wei Xue, Jun Song, Xinmei Tian, Yike Guo

机构 * University of Science and Technology of China（中国科学技术大学） ； The Hong Kong University of Science and Technology（香港科技大学） ； Hong Kong Baptist University（香港浸会大学） 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 研究潜在世界模型中可预测性的控制理论，指出当前以预测误差为目标不可靠，重新定义目标为预测与真实计划成本的差异，证明规划器次优性受其限制，通过实验证实相关结论。

Comments Preprint about latent world models, Koopman operator and control theory, 33 pages, 1 figure. Main text about 10 pages

Physically Native World Models: A Hamiltonian Perspective on Generative World Modeling

物理原生世界模型：生成式世界建模的哈密顿视角

Sen Cui, Jingheng Ma

机构 * Tsinghua University（清华大学） 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 提出哈密顿世界模型，通过结构化潜相空间和哈密顿动力学演化实现物理可靠、动作可控且长期稳定的未来预测，用于具身决策。

3D Point World Models: Point Completion Enables More Accurate Dynamics Learning

3D点云世界模型：点云补全实现更准确的动力学学习

Skand Peri, Hung Nguyen, Chanho Kim, Li Fuxin, Stefan Lee

机构 * Oregon State University（俄勒冈州立大学） 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 提出3D点云世界模型(3DPWM)，通过先补全部分点云再学习动作条件动力学，实现长时程可靠推演和精确成本评估，支持多种机器人操作任务。

Comments 21 Pages

ThinkJEPA: Empowering Latent World Models with Large Vision-Language Reasoning Model

ThinkJEPA：赋予潜在世界模型大型视觉-语言推理能力

Haichao Zhang, Yijiang Li, Shwai He, Tushar Nagarajan, Mingfei Chen, Jianglin Lu, Ang Li, Yun Fu

机构 * Northeastern University（东北大学） ； University of California San Diego（加州大学圣地亚哥分校） ； University of Maryland（马里兰大学） ； The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； University of Washington（华盛顿大学） 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 提出ThinkJEPA框架，结合密集JEPA分支与稀疏VLM思考者分支，通过分层金字塔表示提取模块，实现细粒度运动建模与长程语义引导，在手部操作轨迹预测任务上超越基线。

Comments 10 pages, 5 figures

ARROW: Augmented Replay for RObust World models

ARROW：增强重放用于鲁棒世界模型

Abdulaziz Alyahya, Abdallah Al Siyabi, Markus R. Ernst, Luke Yang, Levin Kuhlmann, Gideon Kowadlo

机构 * Imam Mohammad Ibn Saud Islamic University (IMSIU)（伊玛姆·穆罕默德·本·沙特伊斯兰大学） ； Monash University（莫纳什大学） ； University of New South Wales, Sydney（新南威尔士大学，悉尼） ； Cerenaut 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ARROW算法，一种基于模型的持续强化学习方法，通过高效的重放缓冲区减少灾难性遗忘，提升在无共享结构任务和有共享结构任务中的表现。

Comments 36 pages and 11 figures (includes Appendix)

Journal ref Transactions on Machine Learning Research, 2026

World Models for Robotic Manipulation: A Survey

机器人操作的世界模型：综述

Fangyuan Wang, Ziyuan Wang, Guorui Pei, Mengshi Zhang, Canxi Liang, Jun Hu, Zhongxuan Li, Jinsong Wu, Ning Han, Zeqing Zhang, Jiaming Qi, Hongmin Wu, Shiyao Zhang, Pai Zheng, Jia Pan, David Navarro-Alarcon, Sichao Liu, Peng Zhou

机构 * Department of Mechanical Engineering, The Hong Kong Polytechnic University（香港理工大学机械工程系） ； Department of Mechanical Engineering and Automation, Harbin Institute of Technology（哈尔滨工业大学机械工程与自动化系） ； School of Advanced Engineering, Great Bay University（大湾大学先进工程学院） ； College of Robotics Science and Engineering, Taiyuan University of Technology（太原科技大学机器人科学与工程学院） ； School of Data Science, City University of Hong Kong (Dongguan)（香港城市大学（东莞）数据科学学院） ； Department of Mechatronic Engineering, Guangdong Polytechnic Normal University（广东 polytechnic 正常大学机电工程系） ； School of Computing and Data Science, The University of Hong Kong（香港大学计算与数据科学学院） ； School of Electrical and Electronic Engineering, Nanyang Technological University（南洋理工大学电子与电气工程学院） ； College of Mechanical and Electrical Engineering, Northeast Forestry University（东北林业大学机械与电气工程学院） ； Greater Bay Area National Center of Technology Innovation（粤港澳大湾区国家技术创新中心） ； Department of Industrial and Systems Engineering, The Hong Kong Polytechnic University（香港理工大学工业与系统工程系） 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 本文通过三个问题（预测什么未来表示、预测如何与动作连接、何时在机器人学习流程中使用预测）系统综述了机器人操作中的世界模型，将其定义为动作条件预测系统，并分类为五种表示族，提出了功能分类法，总结了基础设施角色、数据集和评估协议，揭示了从任务特定动力学预测器向预测基础设施的演变及开放挑战。

Dreaming Of Others: Latent Teammate Modeling In World Models For Multi-Agent Reinforcement Learning

梦见他人：多智能体强化学习中世界模型内的潜在队友建模

Tomas Leroy-Stone

机构 * Tomas Leroy-Stone 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 提出一种将队友建模为世界模型中可学习组件的方法，通过分解潜在状态并引入心智理论头来推断队友行为，实现零样本和少样本协调。

Comments 5 pages, 2 figures. Accepted as a poster at the 2026 World Modeling Workshop. Conceptual workshop paper

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

NeuroHex: A Brain-Inspired Hex Coordinate System to Enable Highly Computationally-Efficient World Models for Continuous Online-Adaptive Learning

NeuroHex：一种脑启发的六边形坐标系统，用于构建高效计算的世界模型以支持连续在线自适应学习

Quinn Jacobson, Joe Luo, Jingfei Xu, Shanmuga Venkatachalam, Kevin Wang, Dingchao Rong, John Paul Shen

机构 * NeuroAI Computer Architecture Lab (NCAL)（神经人工智能计算机架构实验室） 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 NeuroHex通过六边形坐标系统实现高效世界模型，利用环索引和量化角编码等方法，降低计算成本并支持空间匹配，同时提供OSM2Hex工具将地图数据转换为该坐标系统，提升自主系统空间推理效率。

Comments This is an expanded version of the paper titled "NeuroHex: Highly Efficient Hex Coordinate System for Creating World Models to Enable Adaptive AI" published in the proceedings of the 2026 Neuro Inspired Computational Elements (NICE) [1] conference. This is an archival version of the paper and is currently under review for an ACM journal publication

Mask World Model: Predicting What Matters for Robust Robot Policy Learning

遮罩世界模型：为鲁棒机器人策略学习预测重要的内容

Yunfan Lou, Xiaowei Chi, Xiaojie Zhang, Zezhong Qian, Chengxuan Li, Rongyu Zhang, Yaoxu Lyu, Guoyu Song, Chuyao Fu, Haoxuan Xu, Pengwei Wang, Shanghang Zhang

机构 * Peking University, Beijing, China ； State Key Laboratory of Multimedia Information Processing, School of Computer Science, Peking University ； Beijing Academy of Artificial Intelligence, Beijing, China ； National University of Singapore, Singapore ； The Hong Kong University of Science ； Nanjing University, Nanjing, China 纠错

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

AI总结 本文提出Mask World Model，通过预测语义遮罩而非像素，提升机器人策略学习的鲁棒性与泛化能力，实验证明其在仿真和现实任务中均优于现有方法。

Comments 16 pages,5 figures

Disentangled World Models: Learning to Transfer Semantic Knowledge from Distracting Videos for Reinforcement Learning

解耦世界模型：从干扰视频中学习转移语义知识以用于强化学习

Qi Wang, Zhipeng Zhang, Baao Xie, Xin Jin, Yunbo Wang, Shiyu Wang, Liaomo Zheng, Xiaokang Yang, Wenjun Zeng

机构 * MoE Key Lab of Artificial Intelligence, AI Institute, Shanghai Jiao Tong University（上海交通大学人工智能研究院教育部人工智能重点实验室） ； Ningbo Institute of Digital Twin, Eastern Institute of Technology, Ningbo, China（东方理工高等研究院宁波数字孪生研究院） ； Ningbo Key Laboratory of Spatial Intelligence and Digital Derivative, Ningbo, China（宁波市空间智能与数字衍生重点实验室） ； University of Chinese Academy of Sciences（中国科学院大学） ； Shenyang Institute of Computing Technology, Chinese Academy of Sciences（中国科学院沈阳计算技术研究所） ； Shenyang CASNC Technology Co., Ltd（沈阳中科数控技术股份有限公司） 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 本文提出了解耦世界模型，通过离线到在线的潜在蒸馏和灵活解耦约束，从干扰视频中学习语义知识，提升强化学习的样本效率。

Comments Accepted by ICCV 2025. Project page: https://qiwang067.github.io/diswm