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。
leiphoneAI 评分5252 从海拉鲁到现实世界：视频模型如何理解「变化」
雷峰网用三组原创图生视频任务对比 HiDream-O1-Video-1.0、Seedance 2.5 与 MiniMax H3，考察意图规划、时间因果和音画对应。
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。
qbitai精选AI 评分8282 AMD以82亿美元全股票收购李飞飞World Labs，李飞飞将任首席科学家
AMD宣布以82亿美元全股票收购李飞飞创办的空间智能公司World Labs，交易预计2026年底前完成，仍须取得监管批准。交割后李飞飞将加入AMD担任执行副总裁兼首席科学家，直接向苏姿丰汇报，联合创始人Justin Johnson和Ben Mildenhall继续带领团队并入AMD。
推荐理由：梳理AMD收购World Labs的交易结构、技术合作脉络与各轮投资人回报，可看清芯片巨头布局空间智能的路径。
qbitaiAI 评分6666 美梦空间联合索辰科技发布Physical-WAM世界动作模型与RoboTwin-Phys物理漂移评测基准
9月26日，杭州美梦空间在第五届全球数字贸易博览会上发布Physical-WAM物理-世界动作模型与RoboTwin-Phys物理漂移评测基准。Physical-WAM由PhysLens、PhysDream、PhysAct三个模块构成，在感知输入与动作输出之间插入物理Token表征，用于估计摩擦、重量、重心、接触状态等物理信息并预判动作后果。
qbitaiAI 评分5555 Simate发布首版通用物理快系统Simate-beta，登顶RoboDojo
成立三个月的Simate发布首版通用物理快系统Simate-beta，据公司披露以平均Score 33.95、SR 27.96%登顶更新于2026年9月23日的RoboDojo榜单，该成绩属榜单评测，真机表现另行展示。
qbitaiAI 评分4141 华为大模型双子星联手创业息壤开物，要做物理世界基模LPM
前华为云大模型CTO李寅与前华为多模态首席科学家张含望联合创办息壤开物，连续完成数亿元种子轮及天使轮融资，估值达5亿美金，由敦鸿资产领投。公司要做Large Physics Model（LPM）大物理模型，先从海量视频、机器人轨迹和真实交互中预训练物理基础模型，再迁移到不同本体和任务。
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6767 诺因发布 GLOW 技术报告：一次人类演示实现跨场景任务复用
诺因（Knowin）9月24日发布面向通用具身智能的生成式学习架构 GLOW 技术报告，称人类演示一次后机器人即可跨物体、跨环境、跨任务复用，在开盒收纳、浇水、擦桌、调酒等任务中得到验证。
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。
qbitaiAI 评分3636 智象未来发布首款物理规律导向视频模型 HiDream-O1-Video-1.0，双榜进入全球第一梯队
智象未来（HiDream.ai）发布首个原生全模态视频生成模型 HiDream-O1-Video-1.0（HD-V1），支持文本、图片、视频等多模态输入，可一键直出 5–20 秒 1080p 视频。
qbitai精选AI 评分7878 生数科技发布世界模型 Motus2，探索机器人自我进化
生数科技发布世界模型 Motus2，在同一模型中整合行动、预测与评估三种能力，形成生成动作、预测后果、评估结果、更新策略的闭环，探索递归自我改进（RSI）。真机测试中，手机放置与多指操作两项任务基础策略平均成功率 65%，加入规划为 67.5%，加入基于模型的强化学习为 72.5%，两者结合达 75%；加入触觉后抽取纸杯与撕纸任务平均成功率从 60% 提升至 72.5%。
推荐理由：生数科技 Motus2 把动作生成、后果预测与价值评估放进同一世界模型，读者可了解其闭环自进化机制与真机数据。
qbitai精选AI 评分7878 生数发布世界模型 Motus2，探索机器人闭环自进化
生数科技发布世界模型 Motus2，在同一模型中整合行动、预测与评估三种能力，形成生成动作、预测后果、评估结果、更新策略的闭环，探索递归自我改进（RSI）。真机测试中，手机放置与多指操作两项任务基础策略平均成功率 65%，加入规划升至 67.5%，加入基于模型的强化学习达 72.5%，两者结合达 75%。
推荐理由：生数 Motus2 把动作生成、后果预测与价值评估放进同一世界模型，读者可了解闭环自进化的实现路径与真机数据。
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。
qbitaiAI 评分3838 高德扫街榜2026全面AI化，空间智能引擎ABot-Earth 0.7亮相
高德9月10日宣布扫街榜全面AI化，升级后的2026版用AI算法理解不同导航到店行为的评分权重。其空间智能核心引擎ABot-Earth 0.7被称为全球首个3D原生城市世界模型，仅需一张卫星图或一段文字，在消费级GPU上跑10分钟即可生成真实街景3D城市，效率比传统方法提升1000倍，已覆盖190多个国家、300多座城市。
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。
qbitaiAI 评分6262 高德发布3D原生城市世界模型ABot-Earth 0.7
9月10日，阿里巴巴集团旗下高德发布3D原生城市世界模型ABot-Earth 0.7，支持从星球到街景的一体化全尺寸AI生成，覆盖超过196个国家和地区。模型输入一张卫星图像或一段文字描述，可在消费级GPU上用10分钟生成公里级3DGS城市场景，效率比传统模式提升1000倍。体验官网已上线，相关能力已应用于飞行街景2.0，用户可操控摇杆漫游3D场景。
qbitaiAI 评分7171 蚂蚁灵波开源1.3B轻量版LingBot-World 2.0，单卡可实时生成世界
蚂蚁灵波发布LingBot-World 2.0轻量版，参数规模1.3B，面向消费级单卡GPU设计，可在本地实现实时世界生成。该版本延续7月开源的14B主模型路线，先训练Causal World因果预训练底座，再经一致性蒸馏与DMD蒸馏压缩去噪步数，并让Student在自身长时self-rollout轨迹上训练以减少累计漂移。
qbitaiAI 评分6060 安努智能一周发布六款模型，覆盖数据生成到端到端部署
安努智能一周内发布六款模型，包括实时长视频生成模型Helios、软物体仿真平台SimLab、世界模型ActiWorld、强化学习工具EvoHIL、工业垂类模型AnuVerse-0.5和端到端部署系统Nexus，覆盖数据生成、认知理解、训练进化、动作执行到端到端部署环节。
qbitaiAI 评分6060 脸谱心智发布循环世界模型论文 LoopWM，称早于 OpenAI Astra 曝光
脸谱心智于 2026 年 6 月发布技术报告《Looped World Models》（arXiv: 2606.18208），提出 LoopWM，称其为首个将循环 Transformer 架构用于世界建模的方法，论文登上 Hugging Face Papers 当日 Top 1。
qbitaiAI 评分5757 京东发布JoyAI-Echo WM世界模型，规划十万卡国产算力集群
京东在JDD大会上发布实时可交互世界模型JoyAI-Echo WM，在WBench Navigation评测中以81.6分排名第一。京东云已与摩尔线程等打造国产万卡集群并规划建设十万卡集群，同时推进1000万小时具身数据采集，首批开源数据集EgoLive已对外开放。京东还启动物理AI加速计划，计划5年内采购300万台机器人、100万台无人车及10万架无人机。
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4040 汉朔科技与X-Era Lab合作：具身机器人能否搞定超市盘点？
汉朔科技与X-Era Lab（拓元智慧）合作，将具身智能机器人带入真实零售门店，聚焦巡检、盘点、补货三类任务，汉朔巡检机器人已在国内和海外商场开始POC测试。汉朔已在近7万家门店部署电子价签网络，为机器人提供货架语义坐标；X-Era Lab的原生世界动作模型VWA仅用10亿参数，可在32 TOPS算力硬件上端侧部署，推理时延压缩至毫秒级。
qbitaiAI 评分6666 Scalabot 发布 HERON-World Model，可预测多智能体交互
Scalabot 发布首个世界模型 HERON-World Model，输入当前画面和待执行动作即可预测后续画面，并支持多智能体动作配合与相互影响的预测。
qbitaiAI 评分5858 智象未来发布具身世界模型HiDream-O1-Embodied，RoboColiseum扰动适应子榜登顶
智象未来（HiDream.ai）发布具身世界模型HiDream-O1-Embodied，强化机器人物理感知与动态预判能力，打通图像、视频、3D、动作等模态。该模型首次参评具身智能仿真评测平台RoboColiseum，在扰动适应（Robustness）子榜以平均分0.692登顶榜首。
qbitaiAI 评分3030 押中SpaceX的硅谷投资人Bill Reichert，把票投给中国世界模型公司飞渡科技
飞渡科技自研空间智能“峥嵘大模型”获HICOOL 2026全球创业者峰会大赛一等奖，该模型为国内首个通过国家备案的工业级空间智能大模型。其洪涝推演链路支持动态边界控制与真实世界1:1验证，大范围流域全域洪涝推演耗时从以天为单位压缩到分钟级，暴雨洪涝仿真系统准备周期从数月压缩到数日、成本降至原有方法的10%。天马科创投合伙人Bill Reichert赛后邀请飞渡明年赴硅谷参加全球投资人峰会路演。
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。
qbitaiAI 评分6060 李飞飞World Labs发布Atlas后，影溯开源世界模型InSpatio-World被指半年前已具备类似能力
World Labs于9月2日发布多模态世界模型Atlas，可将文字、图像、视频和3D信息放入统一空间上下文，实现三维场景重建与新视角生成。国内团队影溯早在今年3月已开源具备类似能力的InSpatio-World，其升级版本即将发布并继续开源。
qbitaiAI 评分7171 影眸 Hyper3D 发布世界生成模型 WorldGen，单图生成可交互 3D 场景
影眸 Hyper3D 发布世界生成模型 WorldGen，上传一张场景图后约 2 到 3 分钟可生成完整 3D 场景，场景内每件资产可单独移动、替换，并保留空间与物理关系。
qbitaiAI 评分2222 神秘具身团队 MVP 模型连发 Demo：自进化路线曝光，机器人将上街开放环境测试
神秘具身团队放出代号“MVP”（Make Veritable People）的自进化模型系列 Demo，展示机器人在木棍推搡下端水不洒并同时扶住易拉罐、zero-shot 完成客厅收纳（团队称成功率 80%）、两台不同型号机器人跨本体协作抖床单，以及一次收纳 4 件物品的长程任务。团队称训练全部来自人类视频，并计划让机器人进入开放环境上街展示。
qbitai精选AI 评分7878 李飞飞 World Labs 发布多模态世界模型 Atlas
李飞飞 World Labs 发布多模态世界模型 Atlas，称其可仅凭一张图片生成像素级相机控制的图像和视频，最高输出 1 分钟、1440p 视频，并基于一张到数十张输入图像重建真实场景、输出显式 3D 表示。
推荐理由：Atlas 把相机控制生成、3D 重建与 Real-to-Sim 串成一条路径，可据此判断世界模型在机器人训练数据上的落点。
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。