Agentic Real2Sim利用视觉语言智能体进行物理世界建模,将真实世界数据转化为仿真环境,弥合real-to-sim差距。
隐式世界模型通过在想象的隐式轨迹上优化策略提高连续控制的样本效率,但常见神经转移对长滚动中的模态持续性和误差积累缺乏直接控制。Koopman Dreamer提出谱约束隐式动力学的Dreamer风格世界模型。
DreamerV3系列基于模型的强化学习智能体在任务序列训练时灾难性遗忘,即使无限回放缓冲区保存了所有早期经验。本文研究持续RL文献假设但从未测量的问题:哪个组件遗忘最严重?提出梦境复演方法。
多智能体强化学习中,智能体间通信在部分可观测下有效提升性能。基于表示学习的方法让去中心化智能体学习基于自身观测的消息,但仅依赖当前观测。Dreamer-CPC结合世界模型进行消息学习。
预测可变形物体在机器人操作下的演化是长期挑战。现有方法依赖逐物体优化拟合材料参数,速度慢且无法泛化;端到端学习方法外推差且违反物理约束。PhysCoRe提出物理修正残差世界模型。
VLA模型增强世界建模是端到端自动驾驶的有前景范式。像素级未来预测提供细粒度时空推理但在噪声场景下鲁棒性不足;隐式世界建模鲁棒但缺乏细粒度推理。本文提出HyWorldVLA,采用混合世界建模同时利用两种优势。
多智能体交互世界模型不仅需要生成一致的观测,还需维护跨智能体持久、跨视角演化的世界状态。现有自回归视频扩散管线将观测历史作为条件上下文,导致共享状态信息分散且低效。本文提出流式多智能体自回归扩散模型,引入世界状态寄存器机制。
面向语言条件四旋翼飞行,提出以动作为中心的世界-动作模型,融合语义目标、预测自我运动视觉后果、输出平滑可执行的连续控制参考。
通过四个嵌套Codex智能体消融实验,拆解可执行世界模型、简化调度和精确回放验证各自对ARC-AGI-3性能的贡献。
提出分层驾驶世界模型,在高层次预测粗略场景结构,低层次生成细节,同时实现空间推理和语义理解。
提出数据科学世界模型概念,预测数据科学操作的效果,减少试错计算开销,提升自主数据科学智能体效率。
