机器人 / 具身智能

Prismatic World Model: Learning Compositional Dynamics for Planning in Hybrid Systems

棱柱世界模型：学习组合动力学以在混合系统中规划

Mingwei Li, Xiaoyuan Zhang, Chengwei Yang, Zilong Zheng, Yaodong Yang

机构 * Beijing Institute of Technology（北京理工大学） ； Peking University（北京大学） ； NLCo Lab, Beijing Institute for General Artificial Intelligence（北大师范学院实验室，北京人工智能研究院） 纠错

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

AI总结 本文提出Prismatic World Model，通过分解混合动力学为可组合的原始构件，解决机器人领域中基于模型的规划问题，提升轨迹优化算法的精度。

Multi-Modal World Model for Physical Robot Interactions: Simultaneous Visual and Tactile Predictions for Enhanced Accuracy

多模态世界模型用于物理机器人交互：同时进行视觉和触觉预测以提高准确性

Willow Mandil, Amir Ghalamzan-E

机构 * University of Lincoln（林肯大学） ； University of Sheffield（谢菲尔德大学） 纠错

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

AI总结 本文提出多模态世界模型，通过整合视觉和触觉信息提升机器人物理交互的预测精度，特别是在物理模糊场景中表现更优。

Comments This paper is accepted for publication in Robotics and Autonomous Systems

Learning POMDP World Models from Observations with Language-Model Priors

从观测中学习POMDP世界模型：利用语言模型先验

Valentin Six, Frederik Panse, Mathis Fajeau, Lancelot Da Costa, Mridul Sharma, Alfonso Amayuelas, Tim Z. Xiao, David Hyland, Philipp Hennig, Bernhard Schölkopf

机构 * Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所） ； IRIIS ； University of California, Santa Barbara（加州大学圣芭芭拉分校） ； University of Tübingen（图宾根大学） ； University of Oxford（牛津大学） ； ELLIS Institute Tübingen（图宾根ELLIS研究所） 纠错

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

AI总结 本文提出Pinductor，利用语言模型先验从少量观测-动作轨迹学习POMDP模型，实现高效世界模型学习。

JEDI: Joint Embedding Diffusion World Model for Online Model-Based Reinforcement Learning

JEDI: 联合嵌入扩散世界模型用于在线基于模型的强化学习

Jing Yu Lim, Rushi Shah, Zarif Ikram, Samson Yu, Haozhe Ma, Tze-Yun Leong, Dianbo Liu

机构 * National University of Singapore（新加坡国立大学） 纠错

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

AI总结 JEDI通过联合嵌入扩散方法，构建了首个端到端的潜在扩散世界模型，提升了在线基于模型的强化学习效率与性能，减少了显存占用并加快了训练速度。

Think Twice, Act Once: Verifier-Guided Action Selection For Embodied Agents

再思一次，行动一次：验证引导的动作选择用于具身智能体

Nishad Singhi, Christian Bialas, Snehal Jauhri, Vignesh Prasad, Georgia Chalvatzaki, Marcus Rohrbach, Anna Rohrbach

机构 * Technical University of Darmstadt（达姆斯塔特技术大学） 纠错

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

AI总结 本文提出验证引导的动作选择框架，通过显式验证步骤提升基于MLLM的具身智能体的鲁棒性，实验证明在复杂任务中性能提升达36%。

Comments CVPR 2026 (Findings)

Ilov3Splat: Instance-Level Open-Vocabulary 3D Scene Understanding in Gaussian Splatting

Ilov3Splat：基于高斯散射的实例级开放词汇3D场景理解

Binh Long Nguyen, Kien Nguyen, Sridha Sridharan, Clinton Fookes, Peyman Moghadam

机构 * School of Electrical Engineering and Robotics（电气工程与机器人学学院） ； Queensland University of Technology（昆士兰理工大学） ； CSIRO Robotics（CSIRO机器人部） ； CSIRO 纠错

专题命中 具身推理 ：robotics(abstract,abstract_cn)；分类 cs.AI、cs.CV

AI总结 本文提出Ilov3Splat框架，通过增强高斯散射以实现实例级开放词汇3D场景理解，利用多分辨率哈希嵌入和对比损失提升语言语义关联与实例区分能力。

Comments The International Conference on Pattern Recognition (ICPR) 2026

Gyan: An Explainable Neuro-Symbolic Language Model

Gyan：一种可解释的神经符号语言模型

Venkat Srinivasan, Vishaal Jatav, Anushka Chandrababu, Geetika Sharma

机构 * Innospark Ventures & Gyan AI（Innospark Ventures及Gyan AI） ； Gyan AI Inc.（Gyan AI公司） 纠错

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

AI总结 Gyan基于非Transformer架构构建，克服了传统大语言模型的局限性，在多个数据集上取得SOTA表现，展示了可信任且可靠的使命关键任务模型潜力。

Comments also submitted to NeurIPS 2026

TStore: Rethinking AI Model Hub with Tensor-Centric Compression

TStore: 以张量为中心的AI模型仓库重新思考

Tingfeng Lan, Zirui Wang, Yunjia Zheng, Zhaoyuan Su, Juncheng Yang, Yue Cheng

机构 * University of Virginia（弗吉尼亚大学） ； Harvard University（哈佛大学） 纠错

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

AI总结 TStore通过细粒度去重和压缩技术减少存储开销，保留模型可用性和性能，实现实验中显著的存储节省。

Comments 12 pages, 6 figures. Systems paper on AI model storage

PROMETHEUS: Automating Deep Causal Research Integrating Text, Data and Models

PROMETHEUS：整合文本、数据和模型的深度因果研究自动化

Sridhar Mahadevan

机构 * Adobe Research and University of Massachusetts, Amherst（Adobe研究院和马萨诸塞大学阿默斯特分校） 纠错

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

AI总结 PROMETHEUS通过整合文本、数据和模型构建因果地图，利用局部因果预测状态模型和区域限制图分析研究领域内的因果关系与证据矛盾。

Comments 27 pages

Multi-Agent Decision-Focused Learning via Value-Aware Sequential Communication

多智能体决策导向学习 via 值感知序列通信

Benjamin Amoh, Geoffrey Parker, Wesley Marrero

机构 * Thayer School of Engineering, Dartmouth College（达特茅斯大学泰勒工程学院） 纠错

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

AI总结 本文提出SeqComm-DFL方法，通过值感知序列通信与决策导向学习结合，提升多智能体任务性能。方法引入序列Stackelberg条件生成消息，利用信息论界限证明收敛性，并在协作医疗和StarCraft多智能体挑战中取得显著奖励和胜率提升。

Comments 9 pages, 2 figues, 1 table, neurips 2026