视觉与机器人
机器人、具身智能、机器人学习、操作、导航和具身世界模型。
幻觉的统一定义：是世界模型的问题，笨蛋！
机构 * University of California, Berkeley（加州大学伯克利分校）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
AI总结 本文提出幻觉的统一定义，即用户可观察到的错误内部世界建模，并连接至HalluWorld基准测试，以区分真实幻觉与规划或奖励错误。
Comments ICML 2026. HalluWorld benchmark at https://github.com/DegenAI-Labs/HalluWorld
快速自回归视频扩散与世界模型：基于时间缓存压缩与稀疏注意力
机构 * Hebrew University of Jerusalem（特拉维夫大学） ； Google Research（谷歌研究）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV
AI总结 提出FAST-AR框架，通过TempCache压缩KV缓存、AnnCA加速交叉注意力、AnnSA稀疏化自注意力，实现自回归视频扩散模型5-10倍加速，同时保持视觉质量并稳定GPU内存使用。
Comments Accepted to ICML 2026. Project Page: https://dvirsamuel.github.io/fast-auto-regressive-video/
ARROW：增强重放用于鲁棒世界模型
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
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
GeoWorld-VLM：从世界模型中获取几何结构用于视觉-语言模型
机构 * Harvard AI and Robotics Lab（哈佛人工智能与机器人实验室） ； Kempner Institute for the Study of Natural and Artificial Intelligence（凯普纳自然与人工智能研究 institute） ； Harvard University（哈佛大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV
AI总结 GeoWorld-VLM通过将冻结的摄像机条件视频世界模型的几何结构转移到视觉-语言模型中，提升空间关系推理能力，实验显示在两个不同架构上均提升了约4%的性能。
图像模型能想象时间吗？ImageTime：通过时空一致性探究视觉世界建模的新基准
机构 * University of Science and Technology of China（中国科学技术大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV
AI总结 提出ImageTime基准，通过四关键帧协议（初始状态、动作开始、过渡状态、最终状态）评估图像生成模型在时空一致性上的表现，揭示模型在维持连贯视觉世界状态方面的能力与不足。
Echo-Memory：动作世界模型中记忆的受控研究
机构 * Joy Future Academy（京东探索研究院）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV、cs.LG
AI总结 提出Echo-Memory框架，通过控制变量法研究动作条件世界模型中的记忆机制，发现原始上下文容量和块状状态空间递归对开放域返回任务至关重要。
Comments 9 figures and 28 pages, Code at \href{https://github.com/Echo-Team-Joy-Future-Academy-JD/Echo-Memory}{this URL}
PRISM：世界模型中基于先验引导的想象采样
机构 * Northeastern University（东北大学） ； University of California, Berkeley（加州大学伯克利分校） ； Qiyuan Lab（启元实验室） ； University of Florida（佛罗里达大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.AI
AI总结 提出PRISM框架，通过从世界模型编码器提取状态条件高斯先验，并利用精度加权高斯乘积更新规划器的采样分布，在不增加架构复杂度的情况下显著提升基于模型的连续控制性能。
PLAN-S：通过潜在风格动态桥接规划以实现自动驾驶世界模型
机构 * Intelligent Transportation Thrust, Systems Hub, and Center of Seamless Connectivity & Connected Intelligence, The Hong Kong University of Science and Technology (Guangzhou)（智能交通 thrust、系统中心及无缝连接与智能连接研究院，香港科学与技术大学（广州））
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.AI
AI总结 提出PLAN-S框架，通过从潜在表示解码风格条件语义成本图，解决自动驾驶中潜在世界模型规划的可控性问题，在nuScenes和NAVSIM上降低了碰撞率并提升了驾驶性能。
世界-语言-动作模型：统一世界建模、语言推理与动作合成
机构 * SJTU（上海交通大学） ； SII（上海研究院） ； HUST（华中科技大学） ； SCUT（华南理工大学） ； ECUST（东华大学） ； SHU（上海大学） ； NJUPT（南京工业大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.AI
AI总结 提出世界-语言-动作（WLA）模型，通过自回归Transformer联合预测文本子任务、子目标图像和机器人动作，融合世界建模与语言推理能力，实现多任务和长时域任务的最优性能。
Comments 19 pages, 10 figures
ShareVerse：面向共享世界建模的多智能体一致视频生成
机构 * Shanghai Jiao Tong University China（上海交通大学中国） ； Fudan University China（复旦大学中国） ； StepFun China（StepFun中国）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV
AI总结 提出ShareVerse框架，通过构建多智能体交互数据集、空间拼接策略和跨智能体注意力机制，实现多智能体共享世界的一致视频生成。
监督微调的大语言模型规划器中世界模型恢复的深入探究
机构 * National Laboratory of the Rockies（落基山国家实验室）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
AI总结 通过可解释性实验，研究监督微调如何影响大语言模型在经典规划任务中恢复世界模型的能力，发现微调使模型线性编码动作有效性和状态谓词，且更广泛的状态空间覆盖有助于更准确的世界模型恢复。
Comments 17 pages. Under review at TMLR
神经场作为世界模型
机构 * Luddy School of Informatics, Computing, and Engineering, Indiana University, Bloomington（信息学、计算与工程学院，印第安纳大学，布卢明顿） ； Cognitive Science Program, Indiana University, Bloomington（认知科学项目，印第安纳大学，布卢明顿）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.CV、cs.LG
AI总结 提出同构世界模型，利用运动门控神经场在空间图中进行物理预测，实现离线任务学习和身体相关表征。
Comments 6 pages, 6 figures. Annual Meeting of the Cognitive Science Society (CogSci 2026)
语言智能体的策略与世界模型协同训练
机构 * Southern University of Science and Technology（南方科技大学） ； Hong Kong University of Science and Technology（香港科学大学） ； Hong Kong University of Science and Technology (Guangzhou)（香港科学大学（广州）） ； Hong Kong Polytechnic University（香港理工大学） ； LIGHTSPEED
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
AI总结 提出PaW框架，通过在强化学习过程中添加辅助世界模型监督，无需改变推理范式，提升语言智能体在多个任务上的性能。
Comments 9 pages, 6 figures
PROWL: 基于优先遗憾驱动的世界模型学习优化
机构 * University College London AI Centre（伦敦大学学院人工智能中心） ； Odyssey ； University of Basel（巴塞尔大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
AI总结 提出一种KL约束的对抗课程，通过训练策略暴露扩散世界模型的高误差轨迹并持续微调，结合优先对抗轨迹缓冲区，解决被动数据中罕见关键转换的鲁棒性问题。
VRAG：面向交互式视频生成的世界模型学习
机构 * Peking University（北京大学） ； University of Oxford（牛津大学） ； Princeton University（普林斯顿大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV
AI总结 针对自回归视频生成中累积误差和记忆机制不足的问题，提出视频检索增强生成（VRAG）方法，通过显式全局状态条件降低长期累积误差并提升时空一致性。
Comments Published at NeurIPS 2025. Project page: https://sites.google.com/view/vrag
混合神经世界模型
机构 * Lossfunk
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
AI总结 提出混合神经世界模型，通过单网络连续视界条件训练直接预测未来状态，并利用误差图隐式捕捉不连续性，实现高效且可靠的物理动力学模拟。
Comments Preprint. Under review
放射科医生阅读的世界模型用于医学图像表示学习
机构 * University of Georgia（佐治亚大学） ； University of Texas at Arlington（德克萨斯大学阿灵顿分校） ； New Jersey Institute of Technology（新泽西理工学院）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV
AI总结 提出GazeWorld，一种将图像视为世界、放射科医生注视序列视为轨迹的医学成像世界模型，通过自回归预测注视补丁表示和空间补全未访问区域，在多个基准上实现最先进的诊断准确率和零样本性能。
ChronoMedicalWorld：一个用于从纵向护理数据中学习患者轨迹的医学世界模型
机构 * Beijing KidneyTec Medical Technology Co., Ltd.（北京肾科医疗技术有限公司）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
AI总结 本文提出了一种名为ChronoMedicalWorld的模型，旨在通过纵向护理数据学习患者轨迹，该模型结合了联合嵌入状态编码器和宽动作编码器，并在六个术语目标下训练了循环潜在转移模块，以提高慢性病护理中长期预测的准确性。
Comments 14 pages, 2 figures, 6 tables
DeformMaster: 一个用于从视频中生成变形物体交互物理-神经世界模型
机构 * Nankai University（南开大学） ； Zhejiang University（浙江大学） ； Southern University of Science and Technology（南方科技大学） ； Rightly Robotics, A4X（Rightly Robotics，A4X） ； University of Science and Technology of China（中国科学技术大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.CV
AI总结 本研究提出DeformMaster，一种基于视频的交互物理-神经世界模型，能够从真实交互视频中生成变形物体的统一动态-外观框架，通过保留结构化的物理推演并利用神经残差补偿未建模效应，实现高保真4D外观生成，实验表明其在动态预测和外观渲染方面优于现有方法。
Comments Project page: https://can-lee.github.io/deformmaster-web/
HEAT: 基于轨迹引导的世界模型实现异构端到端自动驾驶
机构 * KAIST（韩国科学技术院）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.CV
AI总结 本文提出一种基于轨迹引导的学习方法，通过规划轨迹组织训练，使模型能够捕捉驾驶意图的领域不变表示，并结合预测未来潜在特征的世界模型，提高特征一致性并缓解领域偏见，从而在多个异构数据集上实现强性能。
Transformer 通过线性方式表示高度结构化的世界模型
机构 * LaBRI, CNRS University of Bordeaux（LaBRI、CNRS 波尔多大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
AI总结 研究探讨了Transformer在训练过程中是否能构建任务的内部模型，并发现其内部表示结构与领域结构相匹配，通过Sudoku求解轨迹训练的Transformer展示了其内部计算机制和稀疏可解释的决策电路。
不完美的世界模型是可利用的
机构 * University of Edinburgh（爱丁堡大学） ； Stanford University（斯坦福大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
AI总结 本文提出了一种新的强化学习中模型利用的定义，指出世界模型如果暗示某种策略应严格优于另一种策略，而真实环境转移模型却暗示相反，那么该模型就是可利用的。研究通过发展奖励黑客和模型利用的一般理论，证明在大规模策略集上利用本质上是不可避免的，并揭示了安全规划在世界模型中的局限性。
Comments 17 pages, 3 figures, 2 tables; modified (fixed metadata)
GeoWorld：几何世界模型
机构 * ANU（澳大利亚国立大学） ； MBZUAI（穆斯林人工智能研究所）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.CV
AI总结 GeoWorld通过超几何JEPA和几何强化学习解决传统能量预测模型在几何结构和长周期预测中的不足，实验显示在3-4步规划中性能提升3%-2%。
Comments Accepted to CVPR 2026
确定性事件-图子结构作为世界模型用于反事实推理
机构 * Tesseract Academy（Tesseract学院）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV
AI总结 本文提出事件图子结构作为世界模型，通过结构化干预词汇fork日志来回答反事实查询，证明了解释性与反事实性查询的对偶性，并在CLEVRER验证规模上评估了基于领域无关子结构运行时的C++解释器。
Comments 10 pages, 3 figures, 2 tables
潜在视频预测学习更好的世界模型
机构 * The University of Melbourne（墨尔本大学） ； Monash University（莫纳什大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.CV
AI总结 本文系统研究了潜在预测模型在世界模型中的鲁棒性，发现其在特征可区分性、抗污损性、细粒度辨别、遮挡鲁棒性和时间方向敏感性等方面表现优异，优于其他视频基础模型。
PriorZero：连接语言先验与世界模型以实现决策制定
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）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
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
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
机构 * ServiceNow ； Mila
专题命中 具身推理 ：world model(title,abstract)；分类 cs.AI、cs.LG
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。
层级神经选项与抽象世界模型的联合学习
机构 * Cornell University（康奈尔大学） ； Google Deepmind（谷歌DeepMind）
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。
你的驾驶世界模型是全能选手吗？
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.CV
AI总结 本文提出WorldLens基准测试，评估驾驶世界模型在视觉和行为真实性方面的综合表现，揭示现有模型在不同维度上的不足，并引入WorldLens-26K和WorldLens-Agent提升评估的可解释性。
Comments CVPR 2026 VideoWorldModel Workshop; Project Page at https://worldbench.github.io/worldlens GitHub at https://github.com/worldbench/WorldLens
DeepSight: 通过潜在状态预测实现长视距世界建模的端到端自动驾驶
机构 * Tsinghua University（清华大学） ； Amap, Alibaba Group（阿里巴巴集团Amap） ； Nanyang Technological University（南洋理工大学）
专题命中 具身推理 ：world model(title,abstract)；分类 cs.RO、cs.CV
AI总结 本文提出通过鸟瞰图空间预测连续未来帧的潜在语义特征，实现长视距世界建模，并引入高效适应性文本推理机制提升复杂场景下的驾驶性能。
Comments ICML 2026
扫码添加微信好友，提出您的宝贵建议 👇
💡 备注请填写：网站反馈