SteerQuant：用动作引导缩放控制世界动作模型的量化误差
SteerQuant 是一个面向世界动作模型（WAM）的 4-bit 量化框架，通过映射各语义流量化误差对最终动作的影响来引导共享通道缩放，并按流和去噪步校准激活缩放。
推荐理由：提出面向世界动作模型的 4-bit 量化框架，把量化误差导向对最终动作影响较小的计算，并给出真机双臂部署结果。
#世界模型
#世界模型
今日 2 条arXiv cs.RO精选AI 评分6262 arXiv cs.RO精选AI 评分6262 Sparse-WAM：用动作引导稀疏想象加速世界动作模型推理
Sparse-WAM 是一个免训练框架，通过动作引导的稀疏想象选择性处理未来帧 token，加速世界动作模型（WAM）推理。它基于动作 token 到未来帧注意力在相邻去噪步间空间分布高度重叠的观察，提出 Action-Guided Token Selection 保留动作相关区域与跨帧上下文，并用 Pilot 引擎以轻量打分和跨步复用降低稀疏推理开销。
推荐理由：提出免训练的动作引导稀疏想象框架，在 LIBERO 与 RoboLab-120 上给出约 2 倍推理加速，可迁移到世界动作模型的部署优化。
arXiv cs.RO精选AI 评分6262 机器人上下文学习综述：方法与应用
一篇题为《In-Context Learning for Robots: Methods and Applications》的综述将机器人上下文学习文献按上下文证据到执行的接口分为四类：上下文条件策略、几何示范迁移、基于世界模型的控制，以及基于技能与智能体的执行。
推荐理由：这篇综述把机器人上下文学习拆成四类接口，并梳理了迁移假设与评测方式的差异，适合用来建立该方向的方法地图。
HF blogAI 评分2828 ReImaGin：用图像生成模型为多模态 LLM 做视觉推理
Hugging Face 论文页介绍 ReImaGin，它把图像生成模型作为多模态 LLM 的灵活视觉推理机制，可接受自然语言指令执行去除遮挡、由多视角生成平面图等开放式视觉操作。在包含多视角空间推理与碰撞预测的六项视觉推理任务上，ReImaGin 持续优于纯文本推理和专用视觉工具基线，提升最高达 25%。
HF blog精选AI 评分6262 AnyStep-WAM：面向世界动作模型的预算对齐蒸馏与自适应推理
论文提出 AnyStep-WAM 框架，通过预算对齐的教师轨迹蒸馏训练区间条件流映射，支持从单步预测到多步细化的动作生成，并用轻量风险收益调度器按单步预览选择最小去噪预算。
推荐理由：论文给出可调去噪步数的世界动作模型框架，读者可了解按任务难度分配推理预算的具体做法与实测数据。
HF blog精选AI 评分6262 Sony 发布 FAR 世界模型配套 AI2-THOR 潜变量数据集
Sony 公开 FAR 世界模型配套的 AI2-THOR 潜变量数据集，用于训练和评测带动作条件检索记忆的潜扩散世界模型及其基线。
推荐理由：FAR 世界模型配套数据集公开了 AI2-THOR 潜变量语料与下载脚本，可了解其记忆评测如何构造。
HF blog精选AI 评分6565 EVO-WAM：通过视频动作验证演化世界动作模型
EVO-WAM 提出一种让世界动作模型（WAM）在无需额外专家示范、也不在外部环境执行候选动作的情况下适配新任务的框架，通过状态预测与锚定多帧上下文实现完整自回归 rollout，并用视觉语言模型筛选完成任务的前缀、用逆动力学模型验证视频与动作一致性，再迭代训练。
推荐理由：论文给出无需额外专家示范、靠自生成视频动作轨迹适配新任务的框架，并附仿真与真机成功率数据。
HF blogAI 评分4242 VideoPhysEdit：基于刚体物理场景重建的物理反事实视频编辑
Hugging Face 论文页发布 VideoPhysEdit，一种无需训练的物理反事实视频编辑（PCVE）流程，通过刚体物理场景重建显式还原场景物理，将物理编辑作为干预并利用生成轨迹引导反事实视频生成。
qbitaiAI 评分6262 任少卿通讯署名论文 MM-Future：多模式世界—动作联合建模用于自动驾驶规划
任少卿以通讯作者身份参与论文《MM-Future: Multi-Mode Joint World–Action Modeling for Autonomous Driving》，第一机构为蔚来，提出一次生成多组配对场景—动作假设、让轨迹与未来场景共同演化的多模式世界—动作联合模型。
qbitaiAI 评分6666 PhAI Labs 等发布 JEPA-Anything：跨七类系统验证统一预测框架
PhAI Labs 联合牛津、斯坦福、普林斯顿、港中文等团队发布技术报告 JEPA-Anything，提出面向不同领域学习预测模型的跨领域框架，各领域保留自己的观测形式与编码器，共享预测核心和统一的 latent world-state interface。
HF blogAI 评分4444 MiniMax-H3 能否推理物理世界？全模态生成模型评测
针对 MiniMax-H3 这类全模态生成模型，一项新评测考察其物理世界推理能力，在 517 个评测实例中整体成功率为 41.97%。其中基于视频的决策推理成功率最高，为 56.00%，基于音频的消歧推理最弱，仅 27.40%。评测设计了隐式提示配多帧、音频-图像、前缀视频和音视频四类任务，要求模型跨模态整合互补信息以推断潜在事件状态与未来动态。
HF blogAI 评分4141 World in World：用世界模型探索世界，免训练实现相机与时间控制
World in World 是一种免训练的推理时接口，让冻结的自回归视频世界模型支持灵活的相机与时间控制。它把源视频观测、目标视角场景投影、几何渲染和缓存外已生成状态等异构证据转为带相机与时间标签的干净视觉状态，通过原生自注意力读取，并用对应路由器和 EWA 逐通道调节注意力。同一冻结骨干可支持相机控制重渲染、长时程回访和人体动作迁移。
HF blogAI 评分4141 RCWM：用递归场景程序从单张图像构建复杂 3D 世界
Hugging Face 论文页介绍 Recursive Code World Models（RCWM），一种从单张参考图像以可执行代码递归重建复杂 3D 世界的框架。
HF blog精选AI 评分6262 论文提出 World Model RL，用世界模型加速自动研究智能体后训练
论文提出 World Model RL（WMRL），用学习到的世界模型替代环境执行，以缓解自动研究智能体强化学习后训练中环境执行成为瓶颈的问题。作者进一步引入 Online Debiasing 与 Inverse-Variance Denoising 分别抵消世界模型奖励的偏差与噪声，并从理论上证明两者严格改善收敛保证。
推荐理由：论文提出用世界模型替代环境执行来加速自动研究智能体的强化学习后训练，并给出理论收敛保证与跨任务迁移证据。
HF blog精选AI 评分6060 SyncWorld：视觉校准让世界模型成为零样本模拟器
Hugging Face 论文页介绍 SyncWorld，一种通过视觉校准让世界模型在未见相机、环境和本体上做上下文机器人世界建模的方法，无需下游训练。该方法以少量视觉交互作为上下文，尝试模拟机器人控制带来的视觉后果。
推荐理由：SyncWorld 提出用视觉校准让世界模型在未见相机与环境上做零样本仿真，读者可了解其免下游训练的思路。
qbitaiAI 评分7171 光象科技与清华发布物理原生世界模型 Phi-WM 1.0 ActEffect
光象科技联合清华大学李升波教授课题组发布第一代物理原生世界模型 Phi-WM 1.0 ActEffect，让受控世界模型只在训练阶段比较三版动作提案的后果并反馈给策略，训练完成后退出部署链路。
HF blog精选AI 评分7474 ZimaBlue：通过可扩展视频预训练演进可泛化世界动作模型
ZimaBlue 提出从大规模自我中心视频学习可泛化世界动作模型（WAM）的三阶段训练方案，先在大规模人类与机器人自我中心视频上做因果具身视频预训练，再通过视频-动作中期训练将视觉动态对齐到异构机器人轨迹，最后针对目标机器人做专门化。
推荐理由：论文给出从大规模自我中心视频学习世界动作模型的三阶段方案，并报告零样本操作成功率随数据规模的变化。
HF blog精选AI 评分6262 H3-World：把语言理解变成世界控制，将 33B MiniMax-H3 视频生成器改造为交互式世界模型
H3-World 提出一个框架，把 33B 的 MiniMax-H3 视频生成器改造成交互式世界模型，将语言指令转为精确、时间对齐的角色与相机控制，且不引入专门的动作模块。
推荐理由：论文给出把 33B 视频生成器改造成交互式世界模型的具体路径，含样本量与可训练参数比例等关键条件。
HF blog精选AI 评分6262 Code-as-World：用可执行代码表示物理世界，为视觉语言模型提供物理推理监督
论文提出 Code-as-World，将物理环境的组成、动态演化和视觉外观表示为可执行代码，从而为视觉语言模型提供紧凑、可量化、可控的世界抽象。作者构建了受溯因推理启发的智能体发现循环，让智能体提出、执行、渲染、验证并迭代改进可执行世界假设，并用验证后的可执行世界为定量物理推理训练提供可扩展监督。
推荐理由：论文提出用可执行代码表示物理世界，为视觉语言模型提供可扩展的物理监督，读者可了解其智能体发现循环与基准表现。
HF blogAI 评分1515 Magpie：面向交互式游戏的实时世界渲染器
Hugging Face 论文页上线 Magpie，一个面向交互式游戏的实时世界渲染器。该页面目前仅开放论文讨论，未披露模型规模、渲染帧率或真机部署等细节。
HF blogAI 评分2424 Agentic Game Development 作为可验证轨迹数据引擎：为世界模型扩展提供数据
论文提出将智能体游戏开发用作可验证的轨迹数据引擎，以扩展世界模型训练数据。作者质疑"不崩溃"作为奖励信号的价值：能编译运行的游戏未必在第一关之后保持连贯，基于"未崩溃"奖励的强化学习会优化出平淡安全的场景。真正的问题是这种信号能否带来空间一致性，生成轨迹需经人类试玩检验，而非仅通过运行时检查。
HF blogAI 评分4848 GameWAM：面向视频游戏的世界动作模型
Hugging Face 论文页发布 GameWAM，一个面向原生视频游戏控制的统一世界动作模型，通过块因果流匹配、模式特定分布和块循环重规划，联合预测未来画面与可执行键鼠动作。实验显示其任务成功率具竞争力，且执行的原生动作数少于对比智能体；研究还发现低频动作源印记（LASI）这一生成控制的源敏感失效模式。
HF blog精选AI 评分6262 PAWBench：当前视频生成模型距离概率对齐的世界模型还有多远
论文提出概率对齐这一分布层面的世界模型要求，并发布 PAWBench 基准与 PAWEval 协议，把重复生成的视频 rollout 转成物理行为的经验分布。在 50 个场景和 11 个现有系统上，没有模型能同时稳定匹配参考概率并覆盖有效行为范围。作者随后测试语言提示、初始噪声采样和模型训练能否改变模型的预测分布。
推荐理由：论文把世界模型评估从单条视频合理性推进到行为分布层面，并给出 PAWBench 与 PAWEval 的具体评测协议。
DeepMind blogAI 评分2727 DeepMind 发布《视觉通用智能》白皮书：视觉经验能否通向 AGI
Google DeepMind 发布白皮书《Visual General Intelligence》，探讨以视觉为中心、从图像、视频和几何等模态的学习中能否涌现出通向 AGI 的智能，并将其称为视觉通用智能（VGI）。白皮书由多位不同机构作者共同撰写，目标不是给出视觉智能的唯一定义，而是厘清 AGI 时代计算机视觉应追求的原则、视觉输入模态、基准、学习范式，以及视觉作为核心与语言等其他模态的关系。
RobohubAI 评分3434 AAMAS 2026 蓝天空奖：面向变化环境中智能体的基础世界模型
Florent Delgrange 凭《Foundation World Models for Agents that Learn, Verify, and Adapt Reliably Beyond Static Environments》获 AAMAS 2026 最佳蓝天空论文奖。
HF blog精选AI 评分7171 τ_0-VLA：世界模型引导测试时计算的分层机器人基础模型
τ_0-VLA 是一个分层视觉语言动作模型，把高层子任务生成建模为可扩展算力的推理问题，通过世界模型引导的测试时计算在需要时搜索备选子任务再输出。高层策略利用执行记忆生成子任务，低层策略在多种机器人本体上执行，模型基于 40,115 小时异构真实数据与多模态联合训练。在域内和分布偏移设置下，增加测试时计算量可提升下一子任务预测准确率，并转化为长时程操作任务的闭环成功率提升。
推荐理由：论文提出用世界模型引导的测试时搜索为高层子任务决策分配更多算力，并给出跨本体与分布偏移下的闭环结果。
HF blogAI 评分3030 ForgeWM：面向少步动作条件视频世界模型的渐进式因果训练
Hugging Face 论文页发布 ForgeWM，一种面向少步动作条件视频世界模型的渐进式因果训练方法。该页面目前仅开放论文讨论，未披露模型规模、任务本体、成功率或推理时延等具体结果。
qbitaiAI 评分6262 五大高校联合发布 TriWorldBench 三视角世界模型评测首周榜单
北京大学、清华大学、北京航空航天大学、上海交通大学、中国科学技术大学联合发起的 TriWorldBench Challenge 公布首周榜单，这是首个面向机器人三视角世界模型的评测榜单。
HF blog精选AI 评分7171 WorldCycle：用可逆动作循环自监督强化学习训练长时程视频世界模型
WorldCycle 提出用可逆动作循环作为可自验证的强化学习信号，无需真值轨迹，将长时程状态回归漂移最多降低 44%，复合动作准确率提升近 4 倍。作者指出 WorldPlay、WorldCompass 等基线存在空间闭合失败与时间一致性失败，且短时程奖励无法察觉。团队同时发布 CycleBench，覆盖短、中、长时程的可逆、重复与复合循环，用于把视频世界模型当作模拟器评测。
推荐理由：作者把可逆动作循环当作无需真值轨迹的自监督信号，并公开 CycleBench，读者可据此理解长时程视频世界模型的漂移评测方式。
HF blog精选AI 评分7171 MiniWorld：从零训练视频世界模型的可复现框架
MiniWorld 是一个从零训练流式视频世界模型的可复现框架，采用块因果视频扩散 Transformer，在预训练 Video VAE 的潜空间中以 Flow Matching 训练，并基于 Diffusion Forcing 使用分块非递减噪声调度和两阶段继续训练。
推荐理由：MiniWorld 给出从零训练流式视频世界模型的完整方案与代码，读者可据此评估单机 8 卡复现的可行性。
HF blogAI 评分3838 ST-WAM：面向视觉分布偏移下鲁棒操作的语义-时序世界动作模型
Hugging Face 论文页发布 ST-WAM，一个面向视觉分布偏移下鲁棒操作的语义-时序世界动作模型。该模型将语义与时序信息引入世界动作模型，用于提升操作任务在视觉分布变化下的鲁棒性。论文页未给出更多实验数据与真机结果细节。
HF blogAI 评分2121 Hugging Face 论文页：Quo Vadis, World Modeling?
Hugging Face 上线论文《Quo Vadis, World Modeling?》的讨论页面，邀请社区就该论文参与讨论。原文未披露论文的具体方法、模型或实验数据。
HF blog精选AI 评分6262 SG-WAM：在几何感知策略空间中自引导世界建模
SG-WAM 提出在策略表征空间内学习几何感知、动作条件化的动力学，用自引导潜在预测和几何监督训练，无需大规模预训练。基于 0.9B 模型，它在 LIBERO 上取得 98.5% 平均成功率、LIBERO-Plus 上 73%，并在分布内和分布外真机评测中优于强基线。方法将潜在未来预测、几何接地与流匹配动作生成端到端联合优化。
推荐理由：论文提出在策略表征空间内做几何感知的世界建模，并给出 LIBERO 与真机评测结果，可供关注世界模型与操作策略训练的读者参考。
HF blog精选AI 评分6262 论文提出具身操作数据金字塔，梳理五类数据来源与数据配方
论文《Data Pyramid for Embodied Manipulation》将具身机器人学习数据组织为五类互补来源的金字塔，包括真实机器人数据、UMI 风格数据、第一人称与第三人称视角数据、仿真数据和通用视觉语言数据。
推荐理由：论文把具身数据来源整理成五层金字塔，并梳理各类数据配方与基础模型能力之间的对应关系。
qbitai精选AI 评分7878 新智具身与复旦发布 N0 系列三份技术报告，开源 3 万小时触觉数据
上海新智具身智能（NeoteAI）联合复旦大学可信具身智能研究院发布 N0 系列三份技术报告，数据与模型均开源。
推荐理由：三份报告分别给出触觉数据底座、VLA 触觉预判和世界模型触觉预测，可对照看触觉如何接入现有技术路线。
HF blogAI 评分5454 Apple-π 发布以物理定律为锚的视频模型基准
Apple-PI 提出一个以物理定律为锚的基准，用分阶段推理评测诊断视频生成模型在模拟经典力学时的失效位置。该基准包含 Orchard 数据集，覆盖经典力学十类典型任务的 400 段视频，区分单定律与多定律任务；评测协议分感知、公式化、演绎三阶段，采用链式帧提示，并将生成视频视为模型的可见推理轨迹。
Robohub精选AI 评分8282 交互式世界模拟器：用动作条件视频预测训练与评测机器人策略
作者提出 Interactive World Simulator，一种动作条件视频预测模型，在像素空间预测后续帧，不含物理引擎，可在单张 RTX 4090 上以 15 FPS 交互运行超过 10 分钟。
推荐理由：作者用同一批策略在仿真与真机上的评分对比，给出世界模型能否替代真机评测与数据采集的一手证据。
HF blog精选AI 评分6060 AlayaWorld：长时程可交互视频世界生成框架开源
AlayaWorld 是一个开源全栈框架，用于构建可实时交互的生成式世界，支持自由导航及战斗、施法、召唤怪物等多样动作。该框架统一了数据准备、模型架构、训练、推理加速与部署，并开源可复现管线、参考实现、评测工具与文档。论文称其基于游戏录像和真实视频训练，可捕捉多样视觉外观与物理动态，为游戏之外的具身智能等交互应用提供机会。
推荐理由：论文给出可复现的视频世界模型全栈框架，读者可了解其模块化架构与开源管线如何支撑实时交互生成。
HF blog精选AI 评分7171 RynnWorld-Teleop：面向数字遥操作的动作条件世界模型
论文提出 RynnWorld-Teleop，一种动作条件世界模型，用生成式世界模型替代实体机器人实现数字遥操作，将操作者手部姿态流转化为机器人视角的高保真视频，并作为与本体无关的动作标签经重定向迁移到任意目标机器人。
推荐理由：论文提出用生成式世界模型替代实体机器人采集数据，读者可了解数字遥操作如何解耦硬件约束并生成可迁移轨迹。
HF blog精选AI 评分7171 RynnWorld-4D：面向机器人操作的 4D 具身世界模型
RynnWorld-4D 是一个多模态 4D 世界模型，可从单张 RGB-D 图像和语言指令出发，在统一扩散过程中同步生成未来的 RGB 帧、深度图和光流。其三分支架构结合跨模态注意力与逐帧 3D RoPE，并配套超过 2.544 亿帧的 Rynn4DDataset 1.0 数据集。
推荐理由：论文提出用同步 RGB、深度与光流构建 4D 世界模型，并给出策略头与大规模数据集，可供世界模型与操作研究者参考。