#世界模型
共 38 篇相关文章
VITAL：让视觉运动直接驱动驾驶决策
VITAL提出以视觉运动为动作预测主目标，通过运动脚手架加残差编码的双分支设计，在NAVSIM基准上实现单步推理90.8 PDMS，推理速度提升3.29倍。
ATAS：以世界状态为中心的视频生成智能体框架
ATAS 提出以世界状态为中心的视频生成智能体框架，通过场景记忆与事件记忆实现跨镜头时空一致性，在四类视频生成器上刷新多项基准，人类评估六项全胜。
3万小时第一人称视频，教不会世界模型什么？
一项基于3万小时第一人称视频的研究发现，扩大数据100倍能提升智能体建模，但物体保真度提升缓慢。研究指出，缩小差距取决于训练方式而非数据量，并验证该结论可迁移至人形建模。
NVIDIA Cosmos Lab 谈开放模型与物理 AI 的未来
NVIDIA Cosmos Lab 副总裁 Ming-Yu Liu 在 Practical AI 播客中探讨开放模型如何降低物理 AI 创新门槛、世界模型如何赋予 AI 物理直觉，以及构建物理 AI 系统面临的 data 瓶颈与推理效率挑战。
RSI-Anything：用世界模型解锁AI的递归自我改进
RSI-Anything 基于 JEPA-Anything 构建通用框架，利用预测性世界模型指导递归自我改进。在代码修复、GUI操作、实验室规划与反应优化等多领域取得显著收益，为AI自主学习提供新范式。
Odyssey 3：实时模拟物理的世界模型来了
Odyssey 3 是一款实时模拟物理的基础世界模型，可从提示生成可交互环境，并被适配到机械臂、人形机器人、驾驶和智能体训练等任务。本文解析其技术亮点与应用前景。
SPW-Nav：语言驱动的流式全景世界模型解析
SPW-Nav是一个语言引导的流式全景世界模型，可从单张全景图实时生成一分钟2K 360度视频。本文解析其球面旋转解耦、位姿对齐条件化与多项记忆机制及应用价值。
世界模型详解：AI如何学会模拟与预测环境
来自 Hugging Face 的 Suva 发布深度博客，解析世界模型（World Models）如何让 AI 表征、预测并模拟环境，以及其在视频生成、机器人和空间智能中的应用前景。
NVIDIA Cosmos解析：物理AI如何打通语言、视频与动作
NVIDIA研究负责人Ming-Yu Liu深度解析Cosmos物理AI世界模型：如何用单一架构打通语言、视频、音频与动作，涵盖自回归塔与扩散塔协作、多模态时间对齐、策略验证仿真及Super/Nano/Edge三种开源模型。
为什么更多数据无法替代先验结构：Alexander Mattick深度访谈
德国研究者Alexander Mattick在MLST访谈中深度剖析为何更多数据无法替代先验结构。涵盖推理演化史、能量模型是否过时、扩散与流匹配、深度学习理论、约束强化学习与世界模型的现实边界，系统反驳Sutton的奖励与苦涩教训论断。
机器人如何在行动前预演？NVIDIA世界模型解析
NVIDIA研究员Mingyu Liu解析世界模型如何让机器人在行动前预测结果。本文介绍正向动力学、逆向动力学与策略三种建模能力的协同效应，以及Cosmos作为虚拟测试场的价值。
PixVerse R2：可实时探索与改变的世界模型
PixVerse R2 是一个可实时探索和改变的世界模型，支持文本、图像、音频和动作等多模态输入，具备会话记忆能力，可生成持续演化的视听世界，登顶 Product Hunt 当日榜首。
Runway WorldPrompt解析：实时世界模型的工程化突破
Runway WorldPrompt 及 GWM Worlds 2 引擎通过持续上下文与定时动作，实现实时生成可交互的视频与音频世界。本文解析其世界模型的核心机制与工程挑战。
单张RTX 5090跑出16 FPS：LingBot-World 2.0实时世界模型优化实战
开发者将LingBot-World 2.0 1.3B世界模型在单张RTX 5090上优化到实时16 FPS，比SGLang快2.5倍、比NVIDIA FlashDreams快1.9倍，并开源代码。本文解析其低精度运算、SageAttention和自定义内核三大优化手段。
世界模型公司为何守口如瓶：资本狂热下的信息黑箱
世界模型公司手握巨额资金和市场热度，却从创始人到数据供应商都对技术进展守口如瓶。本文剖析这一AI新兴赛道信息不透明背后的竞争、估值与数据供应链原因，以及由此带来的行业隐忧。
Atlas世界模型解析：下一视角预测如何统一生成与重建
Atlas世界模型以"下一视角预测"为核心，统一像素级生成与重建任务，为空间智能建模提供新思路。本文解析这一设计理念的技术意义与潜在价值。
为什么人们拿到新AI大模型第一件事是模拟真实世界？
为什么每款新AI大模型发布后，人们第一件事都是测试它能否模拟真实世界？本文从用户行为、世界模型概念到人类心理动因，剖析这一现象背后的技术逻辑与哲学意味。
科技前沿谷歌Project Genie结合街景数据模拟真实世界，AI世界模型迎来关键突破
谷歌Project Genie新增Google街景驱动能力，可将真实地点转化为可交互模拟环境，面向AI Ultra用户全球开放。本文解析其技术原理、应用场景及行业影响。