论文页面 - Looped World Models

来源：https://huggingface.co/papers/2606.18208 发布于 6月16日

·

由 https://huggingface.co/hongyyyyy 提交

lu (https://huggingface.co/hongyyyyy) 于 6月17日

作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

Looped World Models 通过共享的 Transformer 模块引入迭代式潜在状态精炼，实现了 100 倍的参数效率，同时自适应调整计算深度以适应预测步骤的复杂度。

当前的 world models (https://huggingface.co/papers?q=world%20models) 面临一个根本性矛盾：要忠实地进行长时域仿真需要深度计算，但更深的模型部署成本高且容易产生累积误差。我们通过引入 LoopedWorld Models (https://huggingface.co/papers?q=World%20Models)（LoopWM）解决了这一问题，这是首个用于世界建模的循环架构 (https://huggingface.co/papers?q=looped%20architectures)。我们的方法通过一个参数共享的 Transformer 模块 (https://huggingface.co/papers?q=parameter-shared%20transformer%20block) 迭代地精炼潜在环境状态 (https://huggingface.co/papers?q=latent%20environment%20states)。这带来了相比传统方法高达 100 倍的参数效率，并具备自适应计算 (https://huggingface.co/papers?q=adaptive%20computation) 能力，能够根据每个预测步骤的复杂度自动缩放深度。与缩放模型大小和训练数据相互正交，LoopWM 为世界模拟建立了一个新的缩放轴——迭代潜在深度，这可能极大地推动社区向前发展。

查看 arXiv 页面 (https://arxiv.org/abs/2606.18208) 查看 PDF (https://arxiv.org/pdf/2606.18208) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.18208)

在你的智能体中获取这篇论文：

hf papers read 2606\.18208

没有最新的 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型0

没有模型链接到这篇论文

在模型的 README.md 中引用 arxiv.org/abs/2606.18208 即可从此页面链接。

引用本文的数据集0

没有数据集链接到这篇论文

在数据集的 README.md 中引用 arxiv.org/abs/2606.18208 即可从此页面链接。

引用本文的 Spaces0

没有 Space 链接到这篇论文

在 Space 的 README.md 中引用 arxiv.org/abs/2606.18208 即可从此页面链接。

包含本文的收藏集0

没有收藏集包含这篇论文

将这篇论文添加到收藏集 (https://huggingface.co/new-collection) 即可从此页面链接。