机器人 / 具身智能

HCLSM: Hierarchical Causal Latent State Machines for Object-Centric World Modeling

HCLSM：面向对象的世界建模的分层因果潜在状态机

Jaber Jaber, Osama Jaber

机构 * RightNow AI 纠错

专题命中 具身推理 ：world model(title,abstract)；manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.CV、cs.LG

AI总结 HCLSM通过分层时序动态和因果结构学习，改进了基于视频预测未来状态的世界模型，实现了更精确的对象中心化表示和事件边界学习。

Comments 10 pages, 3 tables, 4 figures, 1 algorithm. Code: https://github.com/rightnow-ai/hclsm

Towards High-Consistency Embodied World Model with Multi-View Trajectory Videos

面向多视角轨迹视频的高一致性具身世界模型

Taiyi Su, Jian Zhu, Yaxuan Li, Chong Ma, Jianjun Zhang, Zitai Huang, Hanli Wang, Yi Xu

机构 * Midea Group（美的集团） ； Tongji University（同济大学） ； East China Normal University（华东师范大学） 纠错

专题命中 具身推理 ：world model(title,abstract)；robotic(abstract)；分类 cs.RO、cs.AI

AI总结 本文提出MTV-World模型，通过多视角轨迹视频控制实现精准的视觉-运动预测，解决低层次动作与真实物理交互不一致的问题，实验表明其在复杂双臂场景中表现优异。

Comments 12 pages, 5 figures

The Mouth is Not the Brain: Bridging Energy-Based World Models and Language Generation

嘴巴不是大脑：连接基于能量的世界模型与语言生成

Junichiro Niimi

专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG

AI总结 本文提出'嘴巴不是大脑'原则，通过基于能量的世界模型与语言模型分离，展示在消费者评论领域中，世界模型能提升生成质量与可控性，为语言能力与世界理解分离提供实证支持。

Comments ICLR 2026 The 2nd Workshop on World Models: Understanding, Modelling, and Scaling

X-World: Controllable Ego-Centric Multi-Camera World Models for Scalable End-to-End Driving

X-World: 可控的以自身为中心的多摄像头世界模型用于可扩展的端到端驾驶

Chaoda Zheng, Sean Li, Jinhao Deng, Zhennan Wang, Shijia Chen, Liqiang Xiao, Ziheng Chi, Hongbin Lin, Kangjie Chen, Boyang Wang, Yu Zhang, Xianming Liu

机构 * GWM Team（长城汽车团队） ； XPeng Inc.（小鹏汽车） 纠错

专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV

AI总结 X-World通过可控的多摄像头生成世界模型，实现高质量多视角视频生成，支持跨摄像头一致性、长时间动态稳定性和严格动作遵循，为可扩展的端到端驾驶评估提供基础。

Comments Technical Report

RAAP: Retrieval-Augmented Affordance Prediction with Cross-Image Action Alignment

RAAP：基于跨图像动作对齐的检索增强的可达性预测

Qiyuan Zhuang, He-Yang Xu, Yijun Wang, Xin-Yang Zhao, Yang-Yang Li, Xiu-Shen Wei

机构 * School of Computer Science and Engineering, and Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications, Southeast University（东南大学计算机科学与工程学院、新一代人工智能技术与交叉应用重点实验室） ； Southeast University-Monash University Joint Graduate School, Southeast University（东南大学-蒙纳士大学联合研究生院） ； School of Computer Science and Engineering, Nanjing University of Science and Technology（南京理工大学计算机科学与工程学院） 纠错

专题命中 具身推理 ：manipulation(abstract)；robotic(abstract)；分类 cs.RO、cs.AI、cs.CV

AI总结 RAAP通过结合检索与对齐学习，统一了可达性检索与动作方向预测，利用密集对应转移接触点并预测动作方向，实现了跨未见物体和类别的稳健泛化。

Comments Accepted to ICRA 2026

SceneTeract: Agentic Functional Affordances and VLM Grounding in 3D Scenes

SceneTeract：代理功能可能性与视觉语言模型在3D场景中的 grounded 性

Léopold Maillard, Francis Engelmann, Tom Durand, Boxiao Pan, Yang You, Or Litany, Leonidas Guibas, Maks Ovsjanikov

机构 * École Polytechnique（巴黎综合理工学院） ； Dassault Systèmes（达索系统） ； Stanford University（斯坦福大学） ； USI Lugano（卢加诺大学） ； Technion（以色列理工学院） ； NVIDIA（英伟达） 纠错

专题命中 具身推理 ：embodied AI(abstract)；embodied agent(abstract)；分类 cs.CV

AI总结 SceneTeract 通过结合高层语义推理与低层几何检查，验证3D场景功能，评估合成环境中的功能失败及VLM对功能可能性的预测能力，揭示语义信心与物理可行性之间的系统性不匹配。

Comments Project page: https://sceneteract.github.io/

Turbo4DGen: Ultra-Fast Acceleration for 4D Generation

Turbo4DGen: 4D生成的超快加速

Yuanbin Man, Ying Huang, Zhile Ren, Miao Yin

专题命中 具身推理 ：world model(abstract)；分类 cs.AI、cs.CV

AI总结 本文提出Turbo4DGen框架，通过时空缓存机制和动态语义感知注意力剪枝，显著减少4D生成中的冗余计算，实现9.7倍速度提升。

MultiGen: Level-Design for Editable Multiplayer Worlds in Diffusion Game Engines

MultiGen：扩散游戏引擎中可编辑多人世界的层级设计

Ryan Po, David Junhao Zhang, Amir Hertz, Gordon Wetzstein, Neal Wadhwa, Nataniel Ruiz

机构 * Stanford University（斯坦福大学） ； Google（谷歌） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.AI、cs.CV

AI总结 本文提出MultiGen，通过引入显式外部内存模块，实现可编辑多人世界中的环境控制与共享推理，提升交互性和一致性。

Comments Project page here: https://ryanpo.com/multigen/

SafeDrive: Fine-Grained Safety Reasoning for End-to-End Driving in a Sparse World

SafeDrive: 为稀疏世界中的端到端驾驶进行细粒度安全推理

Jungho Kim, Jiyong Oh, Seunghoon Yu, Hongjae Shin, Donghyuk Kwak, Jun Won Choi

机构 * Seoul National University（首尔大学） 纠错

专题命中 具身推理 ：world model(abstract)；分类 cs.CV

AI总结 SafeDrive提出了一种端到端规划框架，通过轨迹条件化的稀疏世界模型进行显式且可解释的安全推理，实现了在开放循环和闭合循环基准上的最佳性能，有效降低了碰撞率。

Comments Accepted to CVPR 2026, 19 pages, 9 figures