标签
VLDA提出用紧凑的Delta变量将机器人控制重构为可执行的转变建模，作为视觉语言理解与动作生成之间的接口，相比直接的观测-动作映射和完整未来状态预测，提升了长程一致性、鲁棒性和泛化能力。
Fréchet Forcing 提出了一种无需教师模型和长视频的微调方法，利用自生成轨迹与真实数据统计量（生成锚定、上下文保真、现实匹配三项约束）训练流式视频世界模型，使其在超过 4000 帧的长时程推理中保持稳定并正确跟随动作指令。
一条推文质疑AI世界模型是否已经发展出"X光视觉"能力，并附上了相关主题的链接。
## 一篇观点性论文 **主题：面向基于 JEPA 的潜空间世界模型的四阶段研究议程——Ground（奠基）、Structure（结构化）、Verify（验证）、Act（行动）** **摘要** 该观点性论文提出了一套四阶段研究议程——**Ground、Structure、Verify、Act**——用于解释基于 JEPA（Joint Embedding Predictive Architecture，联合嵌入预测架构）的潜空间世界模型。文章主张，可解释性研究的重心应当从"解码表征内容"转向"理解潜变量之间的相互作用、演化过程及其对预测的因果驱动机制"。 核心论点包括： - **从解码到机制**：传统可解释性方法倾向于把潜变量当作需要还原为人类可读语义的"黑箱编码"，而在潜空间世界模型中，关键问题不再是"模型学到了什么特征"，而是"这些潜变量如何协同工作并产生预测"。 - **关注相互作用与演化**：潜变量之间的耦合关系及其随时间的动态演化，才是理解模型内部世界表征的切入点。 - **强调因果驱动**：预测能力的来源应被解释为潜变量层面的因果过程，而非仅仅归因于统计相关性。 **四阶段议程** 1. **Ground（奠基）**：为潜变量建立语义与经验锚点，明确其对应的世界要素。 2. **Structure（结构化）**：刻画潜变量之间的组织方式、依赖结构与层级关系。 3. **Verify（验证）**：通过干预与反事实实验检验所识别结构的可靠性与因果有效性。 4. **Act（行动）**：将理解结果反馈至模型设计、规划与控制，实现"理解即可用"。 论文认为，只有完成这一从表征解读到机制理解的范式转变，才能真正回答 JEPA 类世界模型"为何有效"以及"如何可信"的问题。
提出了一种新的可扩展性原则——“有效连贯认知速度”（S_C^eff），用于衡量AI系统在现实变化速度超出训练分布时维持可靠行为的能力，并展示了受意识机制启发的Co⁴架构相比Transformer和门控多层感知机基线在此指标上表现更优。
提出多时间尺度分层世界-动作模型（MHWA），通过分层时间抽象缓解自回归世界模型开环预测中的漂移与误差累积问题，在样本高效决策上优于扁平基线。
提出了 TD-Aug 方法，通过从几何视野模型（基于 TD-Flows 训练）中采样来想象新的目标状态，为目标条件行为克隆提供数据增强，显著提升了策略在 OGBench 拼接任务中的零样本组合泛化能力。
该论文通过反事实干预可视化PPO智能体在Crafter环境中的价值函数，发现模型无关的RL算法在优化奖励的同时隐式学习了环境的世界模型，如物品收集规则和健康机制，并讨论了其安全与对齐含义。
GlobeBench 引入了一个包含 1,632 个任务、覆盖五大领域的标准化基准，用于评估文本世界模型，发现当前 LLM——以 GPT-6 Astra 的 49.57% 领先——在跨依赖对象传播动作效果方面表现严重不足。
Velox 提出一种免训练的注意力路由器，利用相机视锥切片的几何对应关系进行区域级上下文选择，从而加速长视频生成中的 KV 缓存处理。在第 48 个 chunk 时注意力加速 4.36 倍、去噪加速 2.43 倍，且在 WBench 导航基准上几乎不损失质量。
Orbia 提出了首个系统评估交互式视频世界模型 3D 一致性的基准，通过受控探索与回访协议，从输入保持、生成内容持久性和 3D 自洽性三个维度对 27 个模型进行评测。
该论文提供了关于「智能体机器人」（agentic robots）的统一综述，将现有研究组织为模型、数据、环境和评测（Harness）四大功能领域的17个类别，并探讨了从机器人策略到智能体系统的演进及未来开放挑战。
Google DeepMind 发布 Gemini 4 Argon，一款面向机器人全栈的通用物理推理模型，在 ERQA 基准上以 87% 领先，可支持机器人控制、Real2Sim、物理理解与自改进等工作流。
该论文发现，世界动作模型的表征中持续存在高范数空间离群值，并提出了 RegisterWAM。该方法引入可学习的非空间寄存器，结合观测流匹配损失监督，重新组织与动作相关的信息，在不使用额外具身预训练数据的情况下，在 LIBERO-Plus 和 RoboTwin 2.0 上分别实现了 81.64% 和 93.0% 的成功率。
WAVE-0 提出一个轻量级潜在世界模型，将 VLA 策略与世界动作模型（WAM）结合，使预测的动作后果直接引导动作生成，在 RoboTwin2.0 和 LIBERO 系列基准上取得 91.47%/98.7% 的成功率，并将 π0.5 的真实任务成功率从 38.3% 提升至 73.3%。
RAR（速率自适应推演）是一个让交互式世界模型以可控时间速率进行推演的框架，通过步幅旋转位置编码（Stride-RoPE）将不同采样速率的潜在帧对齐到共享物理时间坐标，实现多速率生成、未见速率泛化与在线速率切换，同时用多步长视频采样兼顾细粒度动态与长时程演化。
本文提出RoleWorld，一种符号化世界建模方法，通过可复用的功能角色抽象实现LLM智能体在不同环境间的知识迁移，在MARS基准上展示了跨环境的稳健泛化能力。
该论文提出了 GeoSpatialBench，一个评估多模态大模型从空间关系理解、几何推理到受约束空间编辑能力的基准，基于六个真实城市数据发现模型在定量空间关系和空间编辑任务上存在明显不足。
EvoBelief 是一种自我演化的世界模型，将环境知识表示为可证伪的假设，通过观察与受控实验验证和修订规则，使冻结的 LLM 代理在 ALFWorld、MiniGrid 和 DiscoveryWorld 等基准上显著提升性能并跨任务复用所学规则。
文章对比世界行动模型（World Action Models）与视觉-语言-行动模型（VLA），认为机器人领域刚刚迎来了类似 GPT-2 的突破性时刻。