世界模型

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。

Drive-JEPA: Video JEPA Meets Multimodal Trajectory Distillation for End-to-End Driving

Drive-JEPA：视频JEPA结合多模态轨迹蒸馏实现端到端驾驶

Linhan Wang, Zichong Yang, Chen Bai, Guoxiang Zhang, Xiaotong Liu, Xiaoyin Zheng, Xiao-Xiao Long, Chang-Tien Lu, Cheng Lu

机构 * Virginia Tech（弗吉尼亚理工学院） ； Purdue University（普渡大学） ； XPENG Motors（小鹏汽车） ； Nanjing University（南京大学） 纠错

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

AI总结 提出Drive-JEPA框架，结合视频联合嵌入预测架构（V-JEPA）与多模态轨迹蒸馏，通过自监督视频预训练和动量感知选择机制提升端到端驾驶的规划性能，在NAVSIM上达到新最优。

Who Gets the Reward & Who Gets the Blame? Evaluation-Aligned Training Signals for Multi-LLM Agents

谁获得奖励 & 谁受到责备？面向多LLM智能体的评估对齐训练信号

Chih-Hsuan, Yang, Tanwi Mallick, Le Chen, Krishnan Raghavan, Amal Gueroudji, Ian T. Foster, Rajeev Thakur

机构 * Argonne National Laboratory（阿贡国家实验室） ； University of Chicago（芝加哥大学） 纠错

专题命中 通用世界模型 ：world model(comments)；world models(comments)；分类 cs.AI、cs.MA；world model(comments)

AI总结 提出一个理论框架，结合合作博弈归因与过程奖励建模，将系统级评估转化为智能体信用和消息级信号，用于多LLM智能体训练。

Comments Accepted at the NeurIPS 2025 Workshop on Bridging Language, Agent, and World Models for Reasoning and Planning (LAW 2025)

Exact equivariance, kept through training, buys zero-shot generalisation across the symmetry group

精确等变性在训练中保持，实现跨对称群的零样本泛化

Hongbo Wang

机构 * Department of Mathematics, Stony Brook University（石溪大学数学系） 纠错

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

AI总结 通过等变编码器和预测器构建的潜世界模型，其训练损失具有可证明的对称性，从而在仅拟合部分方向动力学时，数学上确定整个轨道上的行为，实现跨对称群的零样本泛化。

Comments 112 pages, 19 figures. v2 adds programme lineage to companion papers (arXiv:2606.13092, 2606.24945, 2606.24946), engages the equivariance-at-scale debate (arXiv:2410.23179), and adds experimental hardening: 5-seed CIs, frame-averaging/canonicalization baselines, a real-robot DROID anchor, a scale-vs-exactness curve. Core claims unchanged. Code: https://github.com/TimothyWang418/se3-ejepa

On the Sample Efficiency of Inverse Dynamics Models for Semi-Supervised Imitation Learning

关于半监督模仿学习中逆动力学模型样本效率的研究

Sacha Morin, Moonsub Byeon, Alexia Jolicoeur-Martineau, Sébastien Lachapelle

机构 * Mila – Quebec AI Institute（魁北克人工智能研究所） ； Samsung AI Lab, Montreal（蒙特利尔三星人工智能实验室） 纠错

专题命中 模型式强化学习 ：dynamics model(title,abstract)；分类 cs.LG

AI总结 本文分析半监督模仿学习中逆动力学模型（IDM）的样本效率优势，归因于IDM假设复杂度低且随机性小，并基于此改进LAPO算法。

Comments Accepted to ICML 2026