标签
论文提出了 Video-Point Model (VPM)，这是一个世界模型，能够基于视频历史和语言指令，联合预测多视角视频与 3D 点轨迹，从而提升四维预测的保真度，并通过共享的 3D 感知表征提高机器人操作的成功率。
Viggle 推出 JST-2：一个物理原生的世界基础模型，可从单一模型生成 3D 场景、角色和全身动作，支持文本/图像/视频输入，并提供 PINOC 浏览器应用、API 及 MCP 接入。
Viggle发布JST-2模型，采用“物理原生”的Joint Space-and-Time架构，将世界表示为带空间位置与物理属性的3D原子，可在约1秒内以不到1美分的成本生成可交互探索的3D场景、带骨骼的角色及全身动作，支持API调用但暂未开源。
Viggle 发布了 JST-2，据称是全球首个完全在 3D 空间（而非像素/视频空间）中构建的全栈物理原生世界基础模型，同时配套推出 PINOC MCP 服务器，让 Claude Code 等智能体在一条流程中完成角色生成、文本驱动动画和场景组装，并通过共享骨骼架构免去了骨骼重定向的步骤。
HOLI-WORLD 是一个集成生态系统，利用第一人称自我视角的录像自动化构建大规模学习资源，以提升机器对动态场景与交互的理解，并发布 HOLIWORLD-VL-4B 模型及 HOLIWORLD-Bench 评测基准。
ScaleNav通过在互联网第一人称视频上预训练目标导向视觉动态，结合动作对齐与联合微调，实现语言条件下的局部导航，在仿真与真实四足机器人部署上取得高成功率并超越基线。
研究人员将模拟果蝇大脑接入可生成完整虚拟世界的AI系统Odyssey-3，使这个在软件中重建的生物大脑能够自主探索从未存在过的想象环境。
提出 RLAWM，通过分层建模与求解奖励惩罚模型内部世界模型与真实物理公理之间的偏差，显著提升 LLM 在物理推理基准上的表现。
谷歌最近发布了 Gemini 4 Argon，用户已经开始用它创作令人惊叹的 3D 世界和游戏，这篇帖子展示了 10 个令人印象深刻的示例。
该论文提出 OneWM，探讨世界模型与动作建模在统一因果训练框架下如何相互增益，并展示了真实机器人操作（如积木堆叠、早餐准备）及模型自回归想象式推演的演示。
提出生成式世界模拟框架，将持久共享世界状态引擎 DAO 与第一人称交互体验模型 JING 耦合，通过连续交互循环生成可随用户动作演化并保留历史的沉浸式视听体验。
SafeDriveVLA 提出首个同时评估导航遵循与冲突感知的基准，并通过导航条件化世界模型的梦境模拟与三级导航合规模式预测，提升端到端自动驾驶视觉-语言-动作模型（VLA）在与安全要求冲突的指令下的鲁棒性，在 Bench2Drive 上达到 88.16 的驾驶分数。
BELIEFWEAVER 是一个面向长时程智能体的失败恢复框架，通过维护关系型信念状态与隐式世界模型（IWM）评估修复假设，并将推理能力蒸馏至 9B 学生模型，在三个终端基准上显著提升最终得分并降低 54.8% 的教师 API 成本。
GreenWAM 提出一个机器人世界基础模型，通过共享的解剖学动作空间联合训练 20 个机器人家族，使其既能作为世界模型预测动作后果，又能作为策略控制不同形态的机器人，并在多个基准上取得领先表现。
Noiz AI 与香港科技大学联合发布 Helix World，一个基于单张图像的实时交互式视听世界模型，可在单块 NVIDIA H800 GPU 上以 24fps 同时生成可探索的视频场景与空间立体声，代码、checkpoint 和在线 demo 均已开源。
论文提出 TabWM（表格世界模型）与 WorldRel 生成器，通过在上下文中观察执行样本来推断关系型系统的动态，预测动作导致的稀疏结构化编辑，从而将关系学习从状态建模扩展到世界建模与动作规划。
Multics 提出一种具有层级通信机制的多玩家视频生成世界模型，在玩家、组和全局层面结构化信息交换，以 SOTA 性能实现 4-6 玩家设置下的跨玩家一致性，并能零重训泛化到 10 玩家推理。
Aether AI 展示了其首个因果机器人智能系统 CRIS-0 在真实家庭环境中的运行，该系统通过因果世界模型预测动作后果、维持任务上下文并调用统一工具接口来导航和适应现实变化。
Odyssey 3 是一个基础世界模型，能从提示生成交互式环境并实时预测其变化，其 Pro 版本在 Physics-IQ 视频到视频基准上取得最高分（66.1），还可用于控制机器人手臂、人形机器人、驾驶车辆及训练智能体。