论文页面 - Kairos：面向物理AI的原生世界模型栈

来源：https://huggingface.co/papers/2606.16533 发布于6月16日

#2 当日论文 (https://huggingface.co/papers/date/2026-06-18) 作者：

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

，

摘要

Kairos是一个原生世界模型框架，从多样化的经验中学习，通过混合时间注意力维持持久状态，并支持面向物理AI应用的高效部署。

世界模型 (https://huggingface.co/papers?q=World%20models)正从被动的视觉生成器转变为物理AI的基础性、操作性基础设施：它们必须原生地从异构经验中获取世界知识，在长时间范围内维持持久状态，并在实际部署约束下高效执行。我们引入了Kairos——一个围绕这些需求设计的原生世界模型栈。(1) Kairos通过开创一种由“跨具身数据课程（Cross-Embodiment Data Curriculum）”主导的“原生预训练范式（Native Pre-training Paradigm）”来学习世界，该范式将开放世界视频、人类行为数据和机器人交互组织成渐进式的发展路径。(2) Kairos通过在一个配备“混合线性时间注意力（Hybrid Linear Temporal Attention）”的“原生统一架构（Native Unified Architecture）”中统一世界理解、生成和预测来维持世界，其中“滑动窗口注意力（sliding-window attention）”捕捉局部动态，“膨胀滑动窗口（dilated sliding windows）”捕捉中程依赖关系，“门控线性注意力（gated linear attention）”维持持久全局记忆。我们建立了形式化理论界限，证明这种时间分解（temporal factorization）严格限制了误差积累（error accumulation），从数学上保证了跨扩展时间范围的状态传播。(3) Kairos通过整合“部署感知系统协同设计（Deployment-Aware System Co-Design）”来运行世界，支持在服务器和消费级硬件上进行低延迟的展开生成，用于实际世界中的观察-行动-反馈循环。在具身世界模型（embodied world-model）、长时域（long-horizon）和行动策略（action-policy）基准测试上的实验表明，Kairos在实现顶级性能的同时，提供了强大的效率-能力权衡。综合这些结果，Kairos为未来自我演进的物理智能奠定了凝聚的操作基础。

查看arXiv页面 (https://arxiv.org/abs/2606.16533)查看PDF (https://arxiv.org/pdf/2606.16533)GitHub 712 (https://github.com/kairos-agi/kairos-sensenova)添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2606.16533)

在你的Agent中获取这篇论文：

hf papers read 2606.16533

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

引用此论文的模型0

没有模型链接到此论文

在模型README.md中引用arxiv.org/abs/2606.16533即可从此页面链接。

引用此论文的数据集0

没有数据集链接到此论文

在数据集README.md中引用arxiv.org/abs/2606.16533即可从此页面链接。

引用此论文的Space0

没有Space链接到此论文

在Space README.md中引用arxiv.org/abs/2606.16533即可从此页面链接。

包含此论文的收藏集0

没有收藏集包含此论文

将这篇论文添加到一个收藏集 (https://huggingface.co/new-collection)中即可从此页面链接。