交互式世界模型：从“画得像”到“对决策有用”（深度版）

一、背景：世界模型是什么，为什么“画得像”不够

一篇 10 月的入门综述从部分可观测马尔可夫决策过程（POMDP）出发，把世界模型定义为：给定过去的观测与动作，预测未来观测（或未来状态）的模型 [13]。它可以用于三件事：作为仿真器训练智能体、作为规划器的内部推演、作为策略的评估环境。

过去两年的视频世界模型主要沿着生成模型的路线发展，评价标准也继承自视频生成：画面清晰度、感知相似度、时序连贯。Genie 4 代表了这条路线的新高度——逼真的人物动作、物理现象、原生音频与实时语言操控 [1]。但 DeepMind 自己也在“当前局限”中写明：物体恒存性会随时间漂移，复杂物理交互、实时音频准确性、文字渲染、空间准确性与长期一致性仍是开放问题；未来方向是把代码与语言模型的结构化推理与像素级仿真结合的“混合世界模型”[1]。

问题在于，用于决策时，像素误差的分布与决策的敏感点并不一致。像素损失对背景、机械臂外观和任务无关的显眼区域一视同仁；而策略学习关心的是策略实际会访问的状态、优势值大的动作 [2]。这就是 10 月一批论文的共同出发点。

技术脉络：世界模型的三条路线如何汇合

10 月的入门综述 [13] 为理解这一领域提供了一张有用的地图。按“预测什么、怎么用”来划分，世界模型大致沿三条路线演进。

路线一：隐空间动力学，服务于规划与策略学习。以 PlaNet、Dreamer 为代表的“重建式”模型，在学习隐空间动力学的同时重建观测；JEPA 一类方法则只预测未来的隐表示，不做像素重建，V-JEPA 便是从无动作标注的视频中学习预测表示的例子，其难点在于“表示坍缩”——编码器把不同观测映射成几乎相同的向量；还有一类“面向控制”的方法，只与奖励、价值等决策相关量一起学习动力学，例如 MuZero 把学到的隐空间动力学与树搜索结合来选择动作 [13]。这条路线的模型往往不追求画面，而追求“够用来做决策”。

路线二：用学到的模型当“模拟器”。综述指出，与其在每个决策点从头规划，不如用学到的预测模型生成合成轨迹，再用策略梯度、演员—评论家等标准强化学习方法在其上优化策略，从而减少与真实环境的交互次数 [13]。这正是 DRILL、OpTTA 等工作所在的位置 [2][3]：模型本身是生成式的，但用途是训练和评估策略。

路线三：生成式交互环境。Genie 系列走的是另一条路：最初的 Genie 从无标注视频中推断“潜在动作”，用它来驱动生成式动力学模型，使视频预测无需显式动作标签即可被控制 [13]；DeepMind 于 2025 年 8 月发布 Genie 3，2026 年 10 月发布 Genie 4，加入原生音频、实时语言操控，并由 Gemini 在环路中维持连贯 [1]。这条路线首先追求的是“看起来像、能交互”。

2026 年 10 月的汇合点。三条路线正在互相借力：生成式交互模型开始被要求“对决策有用”（DRILL 用策略回报而非像素误差来训练视频世界模型 [2]）；评测开始检验生成式模型能否忠实复现物理和失败（WMEval、WorldFailBench [4][5]）；而表示学习的思路又回流到视频世界模型中，“让隐空间更容易被预测”成为提升效率与长时一致性的关键 [7][8]。综述还提到，跨形态共享是另一个开放问题——例如 Cosmos 3 用形态专属的线性投影把不同机器人的动作表示映射到共享隐空间 [13]。一句话概括：世界模型正在从“视频生成的一个分支”变成“智能体训练与评估的基础设施”，而基础设施的验收标准是决策效用。

二、发布动态：Genie 4 的四项能力与“环路中的 Gemini”

据 DeepMind 官方博客 [1]，Genie 4 的四项核心能力是：

1. 实时塑造世界：用自然语言修改天气、移动镜头、加入人物或物体，Gemini 会根据场景上下文改写提示；在两次输入之间，Gemini 也会监控并引导场景，使世界保持连贯推进。
2. 物理与人体动作的真实感：可模拟空气动力学、碰撞等物理场景，人物能自然地移动、对环境做出反应，并可实时操控。
3. 原生音频：这是 Genie 系列首个原生生成音频的实时世界模型，包括环境声与可实时互动的人物对话。
4. 用 Gemini 模拟复杂事件：Gemini 3.8 Flash 作为环路中的引导智能体，持续观察场景、把目标拆解为步骤、检查新帧以确认每一步是否成功，并在世界变化或用户干预时即时调整计划。DeepMind 还展示了 Gemini 4 Argon 与 Genie 4 协同，模拟 Apptronik 的 Apollo 人形机器人下跳棋的过程。

发布方式上，Genie 4 先以研究预览形式提供给受信测试者，随后面向 Google AI Ultra 订阅用户（Project Genie）以及 Gemini API 与 Google AI Studio 的早期合作方；所有生成的视频与音频都带有 SynthID 隐形水印 [1]。

我们的解读：Genie 4 最值得关注的不是画质，而是“生成模型 + 推理模型”的分工——Gemini 负责结构和计划，Genie 负责即时的物理与感官呈现。这与研究界正在推进的“决策有用性”方向是相互呼应的：纯像素模型难以单独保证因果和长期一致，需要显式的结构与目标来约束。

三、算法拆解 ①：DRILL——按“对策略有用”来训练世界模型

一句话直觉：在想象中训练机器人策略时，世界模型的目标不应是“下一帧像不像”，而应是“在它里面学完之后，策略在真实环境中表现好不好”。DRILL 把这个目标写成双层优化，并给出一个廉价的近似版本 [2]。

生活类比：飞行模拟器的价值不在于窗外风景多逼真，而在于飞行员在模拟器里练出来的操作，到真飞机上是否管用。如果模拟器把云彩画得很美、却把侧风的影响弄错了，就是一个“好看但有害”的模拟器。

逐步流程（2026-10-22，NeurIPS 2026 论文）：

1. 内层：在世界模型生成的想象轨迹上，对视觉-语言-动作（VLA）策略做一步 GRPO 更新。
2. 外层：更新世界模型，使“内层更新后的策略”在目标仿真器中的回报更高。
3. DRILL-IMG：通过截断的 Hessian-向量积直接对内层更新求导（元梯度），需要少量仿真器采样。
4. DRILL-VWI：一个闭式的廉价替代——不再均匀地惩罚像素误差，而是按“策略访问频率 × 优势值 × 模型置信度”给误差加权，无需额外仿真器采样。论文证明，在一定局部假设下，VWI 是 IMG 元梯度的一阶近似。

关键公式（DRILL-VWI 的权重）：

w(o_t, a_t) = d̃(o_t) · sgn(Â(o_t, a_t)) · |Â(o_t, a_t)|^α · s(o_t)
w̄ = stopgrad( normalize( clip(w, −w_max, w_max) ) )
L_VWI(ϕ) = Σ_t  w̄(o_t, a_t) · ‖ Ŵ_ϕ(o_≤t, a_t) − o_{t+1} ‖²

• o_t / a_t：第 t 步的观测与动作；Ŵ_ϕ：参数为 ϕ 的世界模型，给出下一帧预测。
• d ̃(o_t)：用 k 近邻在世界模型隐空间中估计的“策略访问密度”——策略常去的地方权重大。
• Â：组相对优势值，sgn 取符号，α 控制优势值大小的影响程度。
• s(o_t)：模型置信度权重（大于 0）。
• clip / normalize / stopgrad：裁剪到 ±w_max、批内归一化、并在更新世界模型时把权重视为常数。
• 公式中的平方误差项为示意写法，具体预测损失形式以原文为准。

小算例（示意，数值为假设）：同一批数据中有两类帧。A 类是背景大面积闪烁的帧，像素误差大，但策略几乎不在此处做关键决策（访问密度低、优势接近 0），权重接近 0；B 类是机械爪即将接触物体的帧，像素误差小，但策略在此处的优势值很大、访问频繁，权重被放大。训练后，模型在 A 类帧上更“糊”，整体像素误差上升；但在 B 类帧上预测更准，策略学到的抓取动作在真实仿真中更可靠。

结果（据论文数据）：在 5 个公开机械臂操作仿真器和 2 个 VLA 基座上，DRILL-IMG 的平均策略成功率比 WMPO 高 13.1 个百分点、比 RLVR-World 高 7.9 个百分点，而它的世界模型在同一训练数据上的一步像素误差高 17%；增益在不同随机种子间一致，并随想象轨迹长度增加而增大 [2]。

为什么有效、何时失效：它把世界模型的“注意力”从像素转向决策关键处，正是“对决策有用”的直接实现。失效风险在于：权重依赖当前策略，若策略早期探索不足，世界模型可能在策略“还没去过但将来要去”的区域预测得很差；IMG 版本需要目标仿真器和较大的反向传播内存。

四、算法拆解 ②：OpTTA——测试时“乐观地”调整世界模型

一句话直觉：部署环境和训练环境不同时，世界模型需要在线调整。只用“预测误差”来调还不够；OpTTA 再加一项“规划器能否到达目标”的代价，让模型偏向“对到达目标乐观”的解释 [3]。

生活类比：新司机到一个陌生城市，除了修正自己对路况的认识（预测），还会倾向于相信“沿这条路能到目的地”的那种理解，并据此规划路线——如果这种乐观错了，很快会被新的观测纠正。

逐步流程（2026-10-26）：

1. 在测试环境中收集少量真实转移（观测、动作、下一观测）。
2. 规划器（如 CEM 或梯度规划）在当前世界模型中生成若干候选轨迹，并计算到达目标的代价。
3. 对世界模型参数同时最小化两项：真实转移上的预测损失，以及规划器候选轨迹的目标代价。
4. 用调整后的模型继续规划与执行，不需要额外的环境交互来专门“探索”。

关键公式：

L(ϕ) = L_pred(ϕ; 真实转移) + λ · min_{τ ∈ 候选} J_goal(τ; ϕ)

• ϕ：世界模型参数；L_pred：模型对真实观测到的转移的预测误差。
• τ：规划器在模型中推演的候选轨迹；J_goal：该轨迹终点与目标的距离（到达代价）。
• λ：乐观项的权重。该思想源自自适应控制中的“回报偏置极大似然”。

小算例（示意）：机械臂换了一个更滑的桌面。只按预测误差调整时，模型学到“物体会滑动”，但可能对“如何推到目标位置”保持模糊；加入乐观项后，在能同样解释观测的几种模型参数中，模型会偏向“存在一条推到目标的可行路径”的那一种，规划器因此更快找到可用动作。若这种乐观判断错误，下一步的真实观测会通过 L_pred 把它拉回来。

结果（据论文数据）：在操作、到达与导航任务的视觉与环境偏移下，只调整预测器时，OpTTA 让最终规划成功率比冻结模型平均提高 13.5 个百分点，仅用预测损失的 AdaJEPA 为 6.9 个百分点；同时调整编码器时分别为 13.5 和 7.5 个百分点；实验覆盖 3 种 JEPA 世界模型 [3]。

为什么有效、何时失效：它把“任务”信息引入了适应过程，减少在与目标无关的细节上浪费调整。风险是乐观偏差在高风险场景可能导致过度自信，需要与安全约束配合。

五、算法拆解 ③：WorldPager——单张消费级显卡上的长时记忆

一句话直觉：交互式世界模型要记住“回到过去去过的地方时应该长什么样”，常把过去片段的 KV 缓存当作检索记忆；但记忆会很快撑爆内存。WorldPager 发现这类记忆的瓶颈是容量而非带宽，且由于相机位姿是输入，要读哪段记忆在计算前就能预知——于是可以分层存储并提前预取 [9]。

生活类比：图书管理员知道读者下一站要去哪个书架，就提前把那一架的书从仓库搬到前台，读者到了就有书看，从不需要排队等待。

逐步流程（2026-10-26）：

1. 诊断：在一张 RTX 4090、32 GiB 主机内存、一块 NVMe 固态盘的机器上，Matrix-Game 2.0 的 KV 记忆在 bf16 精度下 45 秒视频就耗尽主机内存，int4 下为 2.8 分钟；模型的位置编码视野为 4.3 分钟。
2. 建模：建立解析模型，预测何时“溢出”，并判断是否会产生停顿；在留出配置上，溢出点预测误差在一个片段以内。
3. 分层存储：把 int4 KV 存放在 GPU 显存、主机内存、NVMe 三级层次中，而不是重新计算。
4. 按位姿预取：根据外推的相机位姿，提前把下一片段需要的记忆搬到 GPU，缺失时不等待，后台写回。
5. 位置处理：免训练的位置处理方式，突破 4.3 分钟的位置视野。

关键公式：

可用时长 ≈ 可用内存 / (每秒视频产生的 KV 字节数)
无停顿条件：预取所需时间 ≤ 生成一个片段的计算时间

• 每秒 KV 字节数：由帧率、每帧词元数、层数、头维度和精度（bf16 或 int4）决定。
• 预取时间：从 NVMe 或主机内存读取下一片段所需记忆的时间。

小算例：据论文数据，bf16 下 45 秒耗尽主机内存，int4 下延长到 2.8 分钟（约 3.7 倍，接近 16 位到 4 位的 4 倍压缩比）。把 NVMe 加入存储层次后，容量不再受主机内存限制；只要“读下一片段记忆的时间”小于“算一个片段的时间”，就不会停顿。

结果（据论文数据）：WorldPager 连续生成 37.5 分钟视频，零停顿、主机内存占用恒定，约每秒 9.5 帧；在封闭测试集上 int4 存储没有可测的质量损失，在长间隔回访时图像质量约下降 1 个 MUSIQ 分 [9]。

为什么有效、何时失效：它利用了交互式世界模型的一个结构特征——访问模式由输入位姿决定、可提前预知。失效条件是位姿难以外推的场景（例如突然传送、剧烈转向），此时预取失准，需要回退到按需加载。

六、评测：世界模型能否当“考官”

WMEval（2026-10-24）[5]：以 Unity 物理仿真作为“标准答案”，在 9 个场景中执行相同的动作序列，比较世界模型与仿真器的状态，评估动作可控性、场景与人物一致性、提示遵循、运动学、流体力学、物理因果与光照。作者指出，许多关键维度在常规感知指标下是“隐形”的。据论文数据，在需要碰撞的台球场景中，两个被测模型对小球的终点位移误差只有 0.83 米和 0.45 米，看起来“跟得很准”，但稳健力学误差分别为 26.8% 和 23.3%，约为 Unity 自身重复对照（4.9%）的五倍；在赛车场景中，Project Genie 执行了转弯指令，却在终点冲过头 9.39 米。大视角变化同样暴露问题：Project Genie 在台球场景中的人物一致性，从小幅扰动时的 76.2% 降到完整 360° 环绕时的 29.8%。作者的结论是：生成“对动作有响应”的运动，比复现其中的动量与能量容易得多。

WorldFailBench（2026-10-24）[4]：问题更尖锐——如果用世界模型来评估机器人策略，它能否忠实复现策略如何失败、在哪个阶段失败、以及在什么条件下从成功变为失败？基准覆盖 LIBERO、RoboTwin 仿真与 G1 人形机器人真实任务，测试了 7 个世界模型。据论文数据，在 LIBERO 的失败边界评估中，世界模型判断“哪个方向的变化会让策略更不可靠”的顺序准确率（OA，定义见下文）只有 0 到 0.175，而仿真器自身的重复对照为 0.85 到 0.95；世界模型也不能可靠量化场景变化对成功率的影响。

算法拆解 ④：失败边界的两个指标——OA 与 GE

一句话直觉：要检验世界模型能否当“考官”，不能只比较总成功率，而要看它能否复现“条件稍一变化，成功率往哪边变、变多少”[4]。

生活类比：评估一个驾驶模拟器，不仅要看它让新手“总体通过率”是否接近真实路考，还要看“路面湿滑时通过率下降、视线良好时上升”这些方向是否和真实情况一致。

逐步流程：

1. 固定任务、策略和基础场景，选出若干对相邻条件 (xᵢ, xⱼ)，它们只在物体位置、朝向或尺寸上略有不同。
2. 分别在参考环境（仿真器或真实机器人）和世界模型中多次运行策略，得到各条件下的成功率 S(x)。
3. 计算成功率变化 Δ(i, j) = S(xᵢ) − S(xⱼ)。
4. 用 OA 衡量变化方向是否一致，用 GE 衡量变化幅度的误差。

关键公式：

Δ_r(i, j) = S_r(x_i) − S_r(x_j),   r ∈ {ref, wm}
OA = (1/|B|) · Σ_{(i,j)∈B} 1[ Δ_ref(i, j) · Δ_wm(i, j) > 0 ]
GE = (1/|B|) · Σ_{(i,j)∈B} | Δ_ref(i, j) − Δ_wm(i, j) |

• S_r(x)：在环境 r 中、条件 x 下策略的经验成功率；ref 指参考环境，wm 指世界模型。
• B：被选中的条件对集合，|B| 是对数。
• 1[·]：条件成立取 1，否则取 0；两者变化同号才算“方向一致”，任何一方为零都记 0。
• OA（顺序准确率）越高越好；GE（差距误差）越低越好。

小算例（示意）：3 对条件。参考环境中，Δ 分别为 +0.3、 −0.2、+0.1；世界模型中分别为+0.1、+0.05、0。只有第一对同号，OA = 1/3；GE = (0.2 + 0.25 + 0.1)/3 ≈ 0.18。即便世界模型的“平均成功率”与参考环境接近，它也几乎没有学到失败边界。

为什么有效、何时失效：OA 把“能否用于决策”的问题具体化为“能否给出正确的敏感方向”，而这恰恰是部署前排查风险最需要的信息。局限是需要大量重复运行才能得到稳定的成功率估计，真实机器人上的成本很高。

AnyGoal（2026-10-19）[6]：考察组合泛化——每个状态因素和动作都在训练支持范围内，只是组合方式在专家轨迹中少见。据论文数据，当前的多个世界模型家族在这种重组下都会一致地失败。

Dual Exam（2026-10-22）[12]：分开考察智能体（固定环境响应）与世界模型（固定动作干预）。据论文数据，智能体赛道中 GPT 6 Astra 的加权指数最高为 31.3，世界模型赛道中 GPT-Image-2 的总分最高为 21.7（两者任务和指标不同，不可直接比较）；一个“智能体 + 世界模型”耦合配对的 150 例试点中，任务成功数为 0。

这些评测共同说明：“看起来对”和“失败方式对”之间存在巨大差距，后者恰恰是用世界模型做策略评估、风险推演时最关键的部分。

七、表示与架构：让世界模型更容易“被预测”

• 可预测的隐空间（2026-10-26）[7]：视频世界模型通常在“为重建而训练”的自编码器隐空间中预测，而该空间并非为动力学建模优化。作者发现，加入时间维度的表示学习目标并配合“以过去为条件”的解码器，可以在相同训练预算下获得最高 5 倍更便宜的推理、7 倍以上更快的训练，以及在分布外和长时域下 15%–24% 更低的像素与感知误差；生成结果与真实世界策略评估的一致性也更高。
• CADRE（2026-10-21）[8]：Kyutai 等发布的一组因果扩散表示自编码器，用于回答“世界模型应在哪里压缩、压缩多少”。据论文，操作任务中时间压缩放在自编码器里比放在世界模型里更有效；操作与导航需要相反的压缩策略——相机静止时时间压缩代价小，相机移动时空间压缩代价小。
• Mix Forcing（2026-10-24）[10]：把双向视频扩散模型改造成自回归交互模型时，直接用教师强制会破坏预训练的视觉先验。它用“双向 + 自回归混合注意力”（MoBA）联合训练，再蒸馏为 4 步自回归生成器，支持按片段的文本交互与相机控制；论文称在一小时的生成中没有质量退化。
• World-in-Context（2026-10-23）[11]：把各种控制条件放进上下文，并用随累计控制变化的位置编码；据论文数据，5B 模型在 WBench 导航上与 22B 的 EchoWM 持平（81.5 对 81.6），视角切换成功率 93.8%，同规模基线为 18.8%。

八、横向对比

九、我们的观点

第一，世界模型的评价标准正在从“生成质量”转向“决策效用”。DRILL 的“像素更差、策略更好”[2] 是一个标志性结果：它说明两种目标不仅不同，有时还相互冲突。未来一年，我们预计会有更多世界模型同时报告“视觉指标”和“下游任务指标”。

第二，“失败是否被忠实模拟”是世界模型用于评估的关键门槛。WorldFailBench 的顺序准确率接近零 [4] 说明，目前用世界模型替代仿真器做策略评估仍需非常谨慎。一个只会“模拟成功”的世界模型，会让不成熟的策略看起来已经可以上线。

第三，混合架构是务实的方向。Genie 4 的“Gemini 规划 + Genie 呈现”[1]、AW-0 把代码、视频与动作三路联合生成 [14]，都在用结构化推理弥补像素模型在因果和长期一致上的不足。

第四，系统工程决定可用性。WorldPager 在单张消费级显卡上实现 37.5 分钟零停顿 [9]、可预测隐空间带来数倍效率提升 [7]，说明“能否在合理成本下长时间运行”与模型能力同样重要。

十、未来展望

6–12 个月：

• 面向机器人与智能体训练的世界模型，会普遍引入“决策加权”的训练目标或微调阶段。
• 世界模型评测会增加“失败忠实度”“物理状态一致性”等维度，单纯的感知指标将不再足以证明可用性。
• 消费级硬件上的长时交互世界模型会更多出现在游戏原型、影视预演和教育场景中。

1–3 年：

• “混合世界模型”可能成为主流：语言或代码模型维护显式状态与规则，像素模型负责感官呈现，两者通过结构化接口交互。
• 世界模型有望成为智能体的“训练场”与“考场”，但前提是建立与真实环境对照的校准流程。
• 风险在于“逼真的错误”：越逼真的世界模型，其错误越难被人察觉；把世界模型用于高风险决策前，需要独立的真实数据校验。

十一、对金融风控与企业落地的启示

金融机构同样在使用“世界模型”——压力测试情景、宏观经济推演、客户行为仿真，本质上都是在模型里推演“如果……会怎样”。这批研究给出几条可迁移的经验：

1. 以决策效用评价仿真模型。情景生成模型的好坏，不应只看历史拟合度，而要看基于它制定的策略（如额度、定价、催收策略）在真实回测中的效果。
2. 重点检查“失败边界”。仿真模型能否复现策略在哪些条件下失效，比能否复现平均表现更重要。可以借鉴 WorldFailBench 的思路，系统地改变关键因素，比较模型推演与真实数据中“由成功转为失败”的方向是否一致。
3. 关注组合泛化。单个因素都见过、但组合罕见的情景（例如利率与行业冲击的特定组合），往往是模型最不可靠的地方，应作为压力测试的重点。
4. 把规则与生成分开。借鉴混合世界模型的思路，把监管规则、业务约束放在显式的规则层，生成模型只负责在约束内推演，便于审计和解释。

弘犀智能长期从事评分卡与规则引擎建设，我们认为，无论是机器人还是金融场景，“仿真为决策服务、决策可被检验”都是同一条原则。

十二、结语

Genie 4 展示了交互式世界模型在逼真度和交互性上的新高度，而同期的研究提醒我们：衡量世界模型的最终标准，是它能否帮助智能体做出更好的决策、能否忠实模拟失败。从“画得像”走向“对决策有用”，是世界模型从演示走向生产的必经之路。

想了解弘犀智能在智能风控与决策建模方面的实践，欢迎点击文末「阅读原文」访问 www.hxallai.com。

参考文献

1. [1] Raia Hadsell, Diego Rivas, Hang Qi. Genie 4: A new generation of world simulation. Google DeepMind, 2026-10-27. https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/
2. [2] Zhaolu Kang, Tailong Luo, Lei Wei, Guangyuan Dong et al. DRILL: Training World Models to Improve Policies, Not Predict Pixels. NeurIPS 2026 / arXiv, 2026-10-22. https://arxiv.org/abs/2610.30814
3. [3] Akshay Mete, Dileep Kalathil, P. R. Kumar. Adapt for Planning, Not just Prediction: Optimistic Test-Time World Model Adaptation. 德州农工大学, 2026-10-26. https://arxiv.org/abs/2610.35636
4. [4] Zheng Zhang, Xiaoyang Tang, Shuaiqi Cheng, Jiakai Huang et al. WorldFailBench: Do World Models Understand Policy Failures? arXiv, 2026-10-24. https://arxiv.org/abs/2610.33565
5. [5] Lanxiang Hu, Yixin Huang, Abhilash Shankarampeta, Zilin Dai et al. WMEval: Evaluating Interactive World Models Grounded on Physical Simulations. arXiv, 2026-10-24. https://arxiv.org/abs/2610.33894
6. [6] Heejeong Nam, Divyat Mahajan, Quentin Le Lidec, Randall Balestriero et al. AnyGoal: On World Model Generalization Beyond Expert Rollouts. arXiv, 2026-10-19. https://arxiv.org/abs/2610.26844
7. [7] Mattia Scardecchia, Sherry Yang. Video World Models Need Predictable Latents. arXiv, 2026-10-26. https://arxiv.org/abs/2610.34663
8. [8] Adrien Ramanana Rahary, Yutong Bai, Nicolas Dufour, Patrick Pérez et al. Rethinking Video Autoencoders for Interactive World Models. Kyutai 等, 2026-10-21. https://arxiv.org/abs/2610.30129
9. [9] Bingnan Liu, Ruini Xue. WorldPager: Zero-Stall Tiered Memory for Long-Horizon World Models on a Single Consumer GPU. arXiv, 2026-10-26. https://arxiv.org/abs/2610.35529
10. [10] Zelin Gao, Hao Ouyang, Jiapeng Zhu, Qiuyu Wang et al. Mix Forcing: Causal Pre-Training via Mixture Attention for Interactive World Models. arXiv, 2026-10-24. https://arxiv.org/abs/2610.33589
11. [11] Harold Haodong Chen, Rui Peng, Rongjin Guo, Lingteng Qiu et al. World-in-Context: Interactive Video World Modeling with In-Context Conditioning. arXiv, 2026-10-23. https://arxiv.org/abs/2610.33169
12. [12] Zhefan Rao, Meng Chu, Xuan Zhang, Jingfan Chen et al. Dual Exam: Controlled Evaluation of Multimodal Agents and World Models. arXiv, 2026-10-22. https://arxiv.org/abs/2610.31066
13. [13] Zhihui Zhu. An Introduction to World Models for Generalist Agents. arXiv, 2026-10-22.（背景文献）https://arxiv.org/abs/2610.30789
14. [14] Zhuoyang Liu, Dantong Niu, Botong Zhang, Boning Shao et al. Agentic World Action Models. arXiv, 2026-10-21. https://arxiv.org/abs/2610.30136

弘犀研究 · 前沿 AI 深度综述 · 弘犀智能