世界模型

概念框架与综述

论文	发表	状态	总结	评论
Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond	arXiv 2026.04	✅ 已读	用 `L1 Predictor / L2 Simulator / L3 Evolver × physical/digital/social/scientific laws` 统一 world model 概念，重点提醒不要把视觉逼真等同于可决策模拟；后续读视频、机器人、agent、科学路线都可用它定位能力边界。对话记录
World Action Models: The Next Frontier in Embodied AI	arXiv 2026.05	⏳ 待读	系统定义 WAM：不只预测 action，而是联合建模未来状态和动作；把方法分成 cascaded 与 joint WAM，并整理数据、训练目标、action decoding 和评测维度，适合作为具身 world model 路线图。

Web / GUI / Tool-use World Model

论文	发表	状态	总结	评论
Web Agents with World Models	ICLR 2025	✅ 已读	入口论文：给定当前网页状态和候选动作，先预测动作后果再决策；transition-focused observation abstraction 用关键状态变化代替完整 HTML，解决网页输入长、重复元素多的问题。对话记录
WebDreamer	arXiv 2024.11 / 2025.04	✅ 已读	把 LLM 用作 web agent 的 world model 和 value function，在真实执行前模拟候选动作后果；重点处理真实网页不可逆操作下 tree search 难 backtrack、成本高的问题。
ViMo: A Generative Visual GUI World Model for App Agents	ICLR 2026	✅ 已读	直接预测 action 后的未来 App GUI 图像，而不是只输出文字描述；用 Symbolic Text Representation 把 graphics prediction 和 text prediction 拆开，解决 GUI 图片中文字难生成的问题。对话记录	GUI Agent 否定，没意义，不能给决策提供更多有效信息
Agent World Model: Infinity Synthetic Environments for Agentic Reinforcement Learning	arXiv 2026.02	⏳ 待读	从预测器扩展到训练环境生成器：自动生成 code-driven、database-backed、状态一致的 tool-use environments，用于多轮 tool-use agent 的 RL 训练和可验证 reward 构造。

经典 Model-Based RL

论文	发表	状态	总结	评论
Mastering Diverse Domains through World Models	arXiv 2023 / Nature 2025	⏳ 待读	DreamerV3 用 RSSM 学 latent dynamics，再在 imagination rollout 中训练 actor-critic；symlog、twohot、free bits、return normalization 等稳健化让同一配置覆盖 150+ 任务，是理解“世界模型服务策略学习”的 RL 底座。

生成式交互环境与可玩世界

论文	发表	状态	总结	评论
Genie: Generative Interactive Environments	ICML 2024	✅ 已读	从无动作标注互联网视频中学习离散 latent action、视频 tokenizer 和 AR dynamics，把单张图/草图/照片变成可逐帧控制的环境；核心价值是证明 video-only 数据也能产生交互接口，但长时一致性和速度仍弱。
Cosmos World Foundation Model Platform for Physical AI	arXiv 2025.01	✅ 已读	NVIDIA 的物理 AI 世界基础模型平台，包含大规模视频清洗、pretrained WFM、post-training 到 camera control/robot manipulation/autonomous driving、video tokenizers；价值在工程生态和开放权重，局限是更像平台报告而非单一机制论文。

实时与长时程交互视频生成

论文	发表	状态	总结	评论
SANA-WM: Efficient Minute-Scale World Modeling with Hybrid Linear Diffusion Transformer	arXiv 2026.05	✅ 已读	2.6B 开源 camera-controlled 世界模型，面向一分钟 720p rollout；Hybrid Linear Attention、双分支 6-DoF camera control、两阶段 refiner 和 pose annotation pipeline 共同解决长时场景保持与效率问题。
Causal Forcing++: Scalable Few-Step Autoregressive Diffusion Distillation for Real-Time Interactive Video Generation	arXiv 2026.05	✅ 已读	把 AR diffusion distillation 推到 frame-wise 1-2 step，关键是用 causal consistency distillation 初始化 few-step AR student，避免完整 PF-ODE 轨迹存储；面向实时交互视频，但主要解决低延迟生成而非完整决策闭环。
RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO	arXiv 2026.05	✅ 已读	针对 AR 视频扩散训练和推理历史分布不一致的问题，RAVEN 把 self rollout repack 成 clean history + noisy state 的交错序列，并用 CM-GRPO 在 consistency transition kernel 上做在线优化；适合作为实时长 rollout distillation/post-training 路线参考。

具身行动与 World Action Models

论文	发表	状态	总结	评论
World Action Models are Zero-shot Policies	arXiv 2026.02	⏳ 待读	DreamZero 把 14B 视频扩散 backbone 变成 joint video-action model：先预测视觉未来再对齐机器人动作，真实机器人上提升 unseen motion/task 泛化，并通过 AR + KV cache + 异步执行做到约 7Hz；瓶颈仍是视频预测错误和硬件成本。
The DAWN of World-Action Interactive Models	arXiv 2026.05	⏳ 待读	DAWN 把自动驾驶中的世界预测和动作生成做成递归耦合：world hypothesis 条件 action denoising，denoised action 再反馈更新 world prediction；相比简单 predict-then-plan，更强调 world/action 在推理时共同演化。

Object-Centric 与 Latent Dynamics

论文	发表	状态	总结	评论
Latent Particle World Models	ICLR 2026 Oral	⏳ 待读	LPWM 自监督发现 keypoints/boxes/masks/particles，用 per-particle latent actions 建模多物体随机动态，支持 action、language、image goal 和 multi-view conditioning；强项是交互结构和决策可用性，短板是依赖小相机运动和重复场景。

评测与诊断

论文	发表	状态	总结	评论
Omni-WorldBench: Towards a Comprehensive Interaction-Centric Evaluation for World Models	arXiv 2026.03	⏳ 待读	用三层 interaction hierarchy 和 Omni-Metric/AgenticScore 评测动作如何因果改变 4D 世界状态，指出当前模型画质强但 action-conditioned evolution、causal consistency、camera-object joint control 仍弱。
Quantitative Video World Model Evaluation for Geometric-Consistency	arXiv 2026.05	⏳ 待读	PDI-Bench 用分割、点跟踪、单目 3D 重建和投影几何残差量化生成视频的 scale-depth alignment、3D motion consistency、structural rigidity；补足常规感知指标看不出的几何失败。