搜索
近两年，视频世界模型（video world model）成为生成式 AI 最受关注的方向之一。只需给定一张参考图和一段场景描述，模型就能根据用户输入的相机位姿或控制指令，逐帧生成出一个可以自由漫游的虚拟世界。
9月初，OpenAI下一代模型Astra的架构细节被曝光，核心关键词只有一个：循环。
近年来，视频生成模型在清晰度、时序一致性和可控性上快速进步。给定文本、图像、相机轨迹或玩家动作，模型已经能够合成连贯的后续画面，也让「可交互视频世界」逐渐从概念走向可观看、可操作的原型。
西湖大学AGI实验室发布Code World Model视频世界模型，将世界演化与视觉生成分离，由Coding Agent和代码负责因果规则执行、视频模型负责高保真视觉渲染，并提出Proxy作为可编译视觉条件通道，用约5.6小时游戏视频完成原型验证。
过去几年，机器人操作领域几乎被一批新概念重新 “刷屏”。 LLM Planner、VLA、Diffusion Policy、Flow Matching、Latent Action、World Mode
随着视频扩散模型能力不断提升，从单张图像出发、按照用户指定的相机轨迹生成新视角视频，正在成为 World Modeling 的重要技术路线。
8 月 10 日，戴盟机器人正式发布全球首个触觉锚定世界模型 Daimon-TWM（Tactile-grounded World Model），以原生触觉贯穿物理认知、推演决策和瞬时反应全阶段。这个 “物理交互脑” 不仅能理解正在发生的物理接触，还能预测下一步交互会发生什么，并根据瞬息万变的反馈及时修正动作。
世界模型是物理原生智能（Physics-native Intelligence，Phi）重要的组成环节。
千诀科技联合清华大学团队，为神经网络提出了一把新的 “复杂度标尺”。
人类可以轻松想象一个还没做出的动作会带来什么：手一松，杯子会掉；往前一推，抽屉会合上。动作尚未发生，大脑已经预演了可能的结果。对机器人来说，具身世界模型（Embodied World Model）会根据当前观察和未来的动作，预测动作执行后的未来画面。