世界模型

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

The World Model Remembers, the Actor Forgets: Dream Rehearsal for Continual Model-Based RL

世界模型记忆，智能体遗忘：基于持续模型的强化学习中的梦境排练

Gurp Nijjer

机构 * Quantegra Research（Quantegra研究公司） 纠错

专题命中 通用世界模型 ：world model(title,abstract)；world model(title,abstract)；model-based RL(title)；分类 cs.AI、cs.LG

AI总结 研究 DreamerV3 家族智能体在任务序列训练时的遗忘问题，通过组件级探测发现是通道问题，提出分级梦境排练方法，能产生无任务标签、参数恒定的持续学习者，在多任务链保留上表现优异。

Comments 11 pages, 2 figures. Code, pre-registration trail, and run data: https://github.com/gurpnijjer/dream-rehearsal

Environment-free Synthetic Data Generation for API-Calling Agents

用于 API 调用智能体的无环境合成数据生成

Seanie Lee, Sanjoy Chowdhury, Chao Jiang, Cheng-Yu Hsieh, Ting-Yao Hu, Alexander T Toshev, Oncel Tuzel, Raviteja Vemulapalli

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

AI总结 研究针对训练 API 调用 LLM 智能体数据收集瓶颈问题，提出无环境合成数据生成方法，利用 LLMs 生成任务、响应等，经评判器过滤轨迹，在相关基准上评估，结果表明此方法可有效训练智能体，是实用可扩展方案。

Active Inference as a Convex Markov Decision Process

作为凸马尔可夫决策过程的主动推理

Nikola Milosevic, Nicolás Hinrichs, Nico Scherf

机构 * Max Planck Institute for Human Cognitive and Brain Sciences（马克斯·普朗克人类认知与脑科学研究所） 纠错

专题命中 通用世界模型 ：world-model(abstract)；world-model(abstract)；分类 cs.AI、cs.LG

AI总结 研究将主动推理构建为策略优化，证明其可表述为凸马尔可夫决策过程，分析了相关公式并推导MD算法，表明结合世界模型学习与策略优化能赋予主动推理执行性强化学习结构，为其奠定理论基础。

LAVIFT: Latent-Action-Guided Vision Fine-Tuning for Surgical Interaction Recognition

LAVIFT：用于手术交互识别的潜在动作引导视觉微调

Jiajun Cheng, Subarna Tripathi, Sainan Liu, Xiaofan Yu, Shan Lin

机构 * Arizona State University（亚利桑那州立大学） ； University of California, Merced（加州大学默塞德分校） ； Intel Corporation（英特尔公司） 纠错

专题命中 通用世界模型 ：world model(abstract)；world model(abstract)；分类 cs.CV；dynamics model(abstract)

AI总结 研究针对手术交互识别中预训练模型适应细粒度交互的挑战，提出LAViFiT框架，通过逆动力学模型、前向世界模型及补丁级SIG正则化器，实现视觉语言微调，提升了识别率和图像-文本对齐，增强了特征基础和空间连贯性。

Odin: Primitive-Level Synchronization for Distributed Point-Based Neural Rendering

奥丁：基于点的分布式神经渲染的原语级同步

Zhenxiang Ma, Zeyu He, Yuanzhen Zhou, Zhenyu Yang, Yuchang Zhang, Miao Tao, Rong Fu, Jidong Zhai, Hengjie Li

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

AI总结 研究基于点的神经渲染中的同步问题，提出奥丁分布式训练系统，用原语级同步取代全局屏障，有质量优先和吞吐量优先路径。在多个场景和GPU上实验，提升了吞吐量，减少关键路径等待时间，如在矩阵城市案例中比格伦德尔提高了1.89倍。

Comments Accepted at HPDC 26 (Poster), further submission in progress

Trustworthy Privacy-Preserving Multimodal Federated Learning for Personalised Breast Cancer Prediction

用于个性化乳腺癌预测的可信隐私保护多模态联邦学习

Ruth Amey, Muhammad Arifur Rahman, Taha Osman, Nicholas Shopland, Andy Burton, Mufti Mahmud, David J. Brown

机构 * NTU（南洋理工大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 研究探讨联邦学习能否兼顾四个关键支柱，支持乳腺癌患者肿瘤进展预测模型开发。通过多模态数据评估联邦学习框架，与集中式模型比较性能，并研究相关策略，结果助于理解隐私保护多模态预测建模可行性及支持未来应用。

Comments 26 pages, 12 figures

A Unified Survival Benchmark for Temporal Dropout Risk Prediction in Learning Analytics

学习分析中的时间辍学风险：跨动态与早期窗口表示的协调生存基准

Rafael da Silva, Jeff Eicher, Gregory Longo

机构 * Applied Data Science Program（应用数据科学项目） ； Eastern University（东部大学） 纠错

专题命中 通用世界模型 ：分类 cs.AI、cs.LG；predictive model(abstract)；predictive models(abstract)

AI总结 本研究使用OULAD数据集，通过协调的生存分析基准（包括动态周表示和连续时间表示）评估辍学风险模型，发现时间行为特征比静态背景属性更具预测力。

Comments 64 pages, 11 figures, 20 tables, 63 references. Survival analysis benchmark for student dropout prediction using OULAD dataset

KineBench: Benchmarking Embodied World Models via IDM-Free Kinematic Grounding

KineBench：通过无逆动力学模型的运动学基础对具身世界模型进行基准测试

Zeyu Liu, Zhangzhe Zhu, Yang Zhang, Chenyou Fan, Chenjia Bai, Xuelong Li

机构 * Institute of Artificial Intelligence (TeleAI), China Telecom（中国电信人工智能研究院） ； National University of Singapore（新加坡国立大学） ； Fudan University（复旦大学） ； Tsinghua University（清华大学） ； Shenzhen Research Institute of Northwestern Polytechnical University（西北工业大学深圳研究院） 纠错

专题命中 具身与机器人 ：world model(title,abstract)；world models(title,abstract)；embodied world model(title,abstract)；world model(title,abstract)

AI总结 研究旨在评估具身世界模型物理一致性，提出无逆动力学模型的KineBench基准测试。利用级联视觉基础模型提取姿态，在物理模拟器中闭环验证，纳入运动学指标，基于ManiSkill3的任务评估EWMs，揭示任务复杂度受限的非线性缩放，为数据缩放策略提供指导。

Comments Accept to ECCV2026

RoboInter1.5: A Holistic Intermediate Representation Suite for Embodied World Modeling and Robotic Manipulation

RoboInter1.5：用于具身世界建模和机器人操作的整体中间表示套件

Ziqin Wang, Hao Li, Weijun Wang, Junhao Cai, Jia Zeng, Yilun Chen, Jiangmiao Pang, Si Liu

专题命中 具身与机器人 ：world model(title,abstract)；embodied world model(title,abstract)；world model(title,abstract)；embodied world model(title,abstract)

AI总结 研究针对现有机器人数据集问题，基于RoboInter1.0提出RoboInter1.5套件，含多种中间表示资源及相关任务，通过广泛评估证明其为中间表示提供统一时空框架，将其作为双向接口，规范动作空间并约束物理模拟器潜在展开。

Comments 28 pages. arXiv admin note: substantial text overlap with arXiv:2602.09973