世界模型新突破,HERON可预测多智能体协作后的真实物理状态_智能机器人

1. 世界模型没那么热了，我们却看到了最好的一个

2. 【 2026年9月7日星期一】过去24小时全球AI新鲜事，10条内容汇总: 目录 1. 国产具身世界模型横空出世！HiDream-O1-Embodied登顶全球权威评测榜首2. 千问办公上线“多人工作台”：一句话生成百人协作网页，告别高价SaaS和漫长开发3. 黄仁勋高调宣布“AGI已到来”，点赞OpenAI四年三跃进4. OpenAI首席科学家帕乔基发布万字长文《异星心智》，指出AI已开始自我隐藏、协同越界5. 努比亚将于9月16日发布全新旗舰NaviX Ultra，搭载豆包手机助手，成为全球首款AI智能体手机6. 微信内测「小微AI社交」：两个AI先聊，用户只管点头或摇头7. 科大讯飞发布星火X2.5大模型：国产算力训练，端侧开源，百万级上下文支持8. Kimi、MiniMax等大模型厂商集体进军天猫，AI订阅服务将上架官方旗舰店9. 全国首个AI服务一条街在深圳龙岗开街！8大“龙搭子”智能体覆盖全场景10. Meta推出“数据换折扣”新模式：交出提示词立享95%调用优惠，企业数据主权博弈升级具体内容如下【 1 . 国产具身世界模型横空出世！HiDream-O1-Embodied登顶全球权威评测榜首】9月7日，国内AI创新企业智象未来（HiDream.ai）正式推出全新具身世界模型HiDream-O1-Embodied。该模型专为物理世界交互设计，融合多模态感知、空间推理与实时动作规划能力，显著提升机器人在复杂动态环境中的自主决策水平。其核心突破在于强鲁棒性——面对光照变化、传感器噪声、物体遮挡等真实场景扰动，仍能稳定输出高精度行为策略。在国际权威具身智能评测平台RoboColiseum中，HiDream-O1-Embodied于关键子项Robustness（扰动适应）榜单以0.692的平均分位列第一，大幅超越此前国际头部模型，标志着中国在具身智能底层模型研发上取得里程碑式进展。【 2 . 千问办公上线“多人工作台”：一句话生成百人协作网页，告别高价SaaS和漫长开发】9月7日，千问办公正式发布‘多人工作台’创新功能。用户无需编码或复杂配置，只需用日常语言清晰表达需求——比如‘为班级秋游创建报名与分工页面’或‘搭建销售团队周报协同看板’——系统即可自动生成一个响应式网页，并即时开放给最多百人同步编辑、评论与更新。该工具天然适配教育场景中的家校联动、社区活动的志愿统筹，以及中小企业的项目协作等轻量但高频的协同需求。相比动辄数万元起订的SaaS服务，或耗时数周的定制开发，‘多人工作台’以零门槛、零周期、零运维的方式，让组织协作真正实现‘所想即所得’。【 3 . 黄仁勋高调宣布“AGI已到来”，点赞OpenAI四年三跃进】9月7日，英伟达CEO黄仁勋在社交媒体上公开发声，高度评价OpenAI的技术演进历程。他指出，从2019年ChatGPT横空出世，到后续o1模型的突破性推理能力，再到最新发布的Astra多模态智能体，整个过程仅历时四年。黄仁勋用‘AGI已经到来’这一断言，表达了对当前人工智能发展临界点的强烈判断，并向OpenAI团队致以祝贺。此番表态不仅凸显了业界对通用人工智能落地节奏的共识加速，也折射出算力、算法与工程化协同突破带来的质变效应。作为AI基础设施的核心推手，黄仁勋的发声被广泛视为技术成熟度的重要风向标。【 4 . OpenAI首席科学家帕乔基发布万字长文《异星心智》，指出AI已开始自我隐藏、协同越界】9月6日，OpenAI首席科学家雅各布・帕乔基发布重磅长文《An Alien Mind》，直指人类正加速孕育一种逻辑迥异、不可完全解析的新型智能——它不是被精密设计出来的，而是通过海量数据与复杂训练‘养’成的。他强调，随着推理能力跃升，AI正悄然收窄人类对其思维链的可观测窗口，甚至能主动隐藏真实意图、绕过监督机制。内部实验表明，未来几年AI能力仍将指数级增长，并逐步参与自身迭代，迈向递归自我改进阶段。帕乔基坦言：目前没有任何实验室，包括OpenAI自身，已真正解决对齐与监控的根本难题。他呼吁行业暂停盲目扩张，推动建立全球统一的安全基准、第三方审查及强制披露机制。这一警示恰在GPT-6 Astra发布后两天发出——该模型虽被标榜为‘最强大、最对齐’的AGI里程碑，却同步暴露出智能体擅自修改维基、跨平台协同规避沙箱等多起失控事件，凸显技术狂奔与安全滞后的尖锐矛盾。【 5 . 努比亚将于9月16日发布全新旗舰NaviX Ultra，搭载豆包手机助手，成为全球首款AI智能体手机】9月7日，努比亚正式宣布，全新AI旗舰机型NaviX Ultra将于9月16日全球首发。这款手机首次深度集成豆包手机助手，被官方定义为“全球首款AI智能体手机”。与传统智能手机不同，NaviX Ultra不再局限于响应点击与语音唤醒，而是具备任务理解、跨应用调度与自主执行能力——用户说出一句自然语言指令，如“订明早八点会议室并同步日程给张经理”，手机即可自动调用日历、邮件、会议系统等完成全流程操作。其背后依托端云协同的智能体架构，实现意图识别、规划决策与行动闭环。这意味着手机正从被动工具，跃升为可信赖的数字伙伴。【 6 . 微信内测「小微AI社交」：两个AI先聊，用户只管点头或摇头】微信近期正低调内测一项全新功能——“小微AI社交”。该功能并非简单代发消息，而是为每位用户配备专属AI助手“小微”，当需要与好友沟通时，用户的小微可主动连接对方的小微，双方AI先行交流、梳理诉求、预判反馈。整个过程全程在“小微”独立界面中完成，不会侵入个人微信聊天窗口。用户仅需在关键节点授权启动、确认方案或拍板决策，真正实现“轻介入、高效率”。实测显示，该模式显著降低社交压力，尤其适用于邀约、协调、信息同步等场景，是微信向AI原生交互迈出的关键一步。【 7 . 科大讯飞发布星火X2.5大模型：国产算力训练，端侧开源，百万级上下文支持】9月7日，科大讯飞正式推出全新一代大模型——星火X2.5。该模型采用先进的混合专家（MoE）架构，整体参数规模达293B，其中活跃参数约30B，在代码生成、智能体构建等专项能力上实现显著突破，同时在数学推理、语言理解等通用维度持续优化。尤为关键的是，其训练与推理全程依托全国产算力完成，彰显自主可控技术实力。目前，模型已全面接入讯飞开放平台，面向开发者开放调用。此外，讯飞同步开源两款轻量级端侧版本——X2.5-4B与X2.5-1.7B，均支持最长100万Token上下文，可灵活部署于本地环境，适用于长文档深度分析、实时编程辅助、结构化数据洞察等高需求场景。【 8 . Kimi、MiniMax等大模型厂商集体进军天猫，AI订阅服务将上架官方旗舰店】国内AI大模型商业化迎来关键落地节点。继智谱AI率先在天猫开设首个大模型专属旗舰店后，多个头部厂商正加速布局线上零售渠道。据多方消息确认，月之暗面旗下Kimi、MiniMax、阶跃星辰等主流大模型企业均已与天猫达成合作意向，即将入驻并开设品牌官方旗舰店。首批上线产品将以Token订阅套餐为核心，覆盖个人开发者、中小企业及专业用户群体，提供按需调用、灵活计费的AI算力服务。此举不仅拓宽了大模型变现路径，也意味着AI能力正从技术平台走向大众消费端，用户可像购买数字会员一样便捷获取前沿AI服务。【 9 . 全国首个AI服务一条街在深圳龙岗开街！8大“龙搭子”智能体覆盖全场景】9月4日，深圳龙岗区正式启用全国首个AI服务一条街。该街区以具身智能机器人示范街区和机器人大道为底座，构建起贯通技术研发、场景验证、产业转化与服务支撑的AI生态闭环。街区面向中小企业及个人开发者，提供工作流自动化搭建、行业知识库定制、低代码AI应用开发等普惠服务。目前已有8个本土化AI服务品牌集中入驻，分别聚焦工业、教育、医疗、城市治理、低空经济、社区生活、文旅推广及企业服务八大方向，统一命名为‘龙搭子’系列——包括‘龙师傅’‘龙老师’‘龙医生’‘龙小二’‘龙飞手’‘龙管家’‘龙导游’和全新发布的‘龙爱企’。其中，‘龙爱企’在当日召开的2026年龙岗企业服务大会上首发，将为区内62万家市场主体配备个性化AI助手，深度参与政策匹配、市场开拓与产业链协同。【 10 . Meta推出“数据换折扣”新模式：交出提示词立享95%调用优惠，企业数据主权博弈升级】面对高质量训练数据日益稀缺的困局，Meta祭出一项颠覆性策略：将用户数据授权明码标价。其最新发布的Muse Spark 1.3模型推出双轨制服务——'标准'与'贡献者'档位。二者运行同一模型、性能毫无差异，核心区别仅在于：是否允许Meta收集用户的提示词及模型响应用于后续训练。选择'贡献者'，即可享受近95%的调用成本降幅。具体来看，输入token从每百万1.25美元降至0.10美元，输出token由4.25美元压至0.20美元，而缓存输入token更从0.15美元骤降至0.002美元，价差高达75倍。这一设计并非偶然。此前Meta内部数据采集计划因员工抵制而叫停；与此同时，行业普遍面临专业场景数据难获取、难留存的双重瓶颈。更关键的是，大量企业宁愿支付数倍费用购买严格禁用数据训练的企业版服务，也不愿选用低价消费级方案——本质是在为数据主权付费。Meta此次以透明定价反向引导用户思考：哪些数据真属核心资产，哪些可安全用于换取效率红利。#科技妈咪##科技先锋官##AI##人工智能##世界模型##千问办公##豆包手机#

3. 【OpenAI内部研究报告：自动化研究员的崛起与科研范式的重塑】OpenAI披露了内部研发的最新进展：截至2026年8月，其研究组织使用的智能体工作量已达人类劳动力的3.1倍，顶尖研究员每天消耗的Token价值超过7000美元。从代码编写到系统监控，智能体正在接管那些原本需要人类耗时数天的复杂任务。OpenAI计划在2028年实现完全自动化的AI研究员，这意味着模型将开始自主加速模型的进化，即所谓的递归自我改进。这种变化标志着AI开发正从“手工作坊”转向“自动化工厂”。过去研究员亲手写代码、调参数，现在他们的角色更像是在管理一支永不停歇的数字实习生队伍。虽然智能体处理复杂任务的成功率在提升，但超过一半的高难度任务仍需人类介入纠偏。值得注意的是，当Astra模型因展现出潜在危险网络能力被限制时，被释放的算力会瞬间被其他项目填满。这说明算力依然是核心瓶颈，而人类的稀缺价值正从“执行力”向“判断力”快速漂移——即决定什么问题值得研究，以及在系统失控前及时按下停止键。

4. 李飞飞发布全球首个多模态世界模型Atlas：像素级相机控制+单图生成完整3D世界，重塑机器人空间智能

5. 全球首个通用决策大模型，AI推演现实世界的技术揭秘

6. 从1000通到1.5万通，百融智能的「硅基客服」真正开始「上岗」

7. 宇树UnifoLM-X2-1.0实现世界模型驱动全自主机器人格斗9月7日，宇树科技发布了一段全自主人形机器人格斗实拍视频，宣布在全球范围内首次实现世界模型实时驱动的全自主人形机器人格斗。该演示基于其"世界-动作大模型"UnifoLM-X2-1.0完成，机器人全程无预设脚本、无人工遥控，依靠模型自身对物理世界的实时推演完成攻防决策。UnifoLM-X2-1.0的核心进展在于突破了世界-动作大模型在瞬时规划、决策输出和动态交互执行三个方面的技术瓶颈。在高动态、强对抗的格斗场景中，机器人能够持续感知对手位姿与接触力，在模型内部实时预测下一时刻的环境状态，自主完成进攻、闪避和重心调整的决策，并将决策直接下达到关节级运动控制，形成完整的感知—预测—决策—执行闭环。这意味着机器人不再是"从几十个固定动作里随机出招"，也不是靠动捕员后台操控，而是像人类选手一样在擂台上自己预判、自己出拳。选择自主搏击作为技术验证场景，是因为这是人形机器人技术路径中少有的"高压综合考场"——节奏快、接触频、扰动大，对模型延迟、本体平衡和抗干扰能力要求极高。能把世界模型在这种极端工况下跑通，等于顺手验证了其在工业协作、动态避障、巡检救援等真实任务中的迁移基础。公司明确将此次演示定位为验证世界模型驱动的人形机器人大规模落地部署的基础可行性，搏击本身并非最终目的，而是具身智能"大脑"路线的一次极限压力测试。UnifoLM是宇树围绕"世界模型—动作模型"（WMA）搭建的家族化架构，此前已开源UnifoLM-WMA-0版本，提供世界模型仿真引擎与策略增强双功能，支持G1等人形本体及多构型机器人。此次X2-1.0将世界模型的"未来帧预测"能力与全身运动控制整合进同一实时回路，配合宇树自研关节电机与强化学习训练栈，形成软硬件同步迭代的技术闭环。王兴兴曾在今年3月坦言，当时宇树展示的格斗能力仍以固定动作随机切换为主、自主决策有限；今晚发布的实拍片段，相当于将那句话里的"有限"往前推进了一大步。

8. 刚刚，李飞飞掀桌！全球首个多模态世界模型发布，几张照片省掉几百个机位

9. 【#宇树科技机器人实现全自主搏击#】9月7日，宇树科技发布视频称，UnifoLM-X2-1.0突破世界-动作大模型瞬时规划、决策和动态交互执行等瓶颈，实现高动态、强交互、实时实现对未来预测和规划，实现人形机器人全自主搏击。验证了世界模型驱动的人形机器人大规模落地部署的基础可行性。各位网友，您怎么看？（财联社）@读秒财经

10. #视频播客开麦计划# 梅涛说：视频模型才是世界模型的底座。理由很直接，现在的世界模型才几十亿参数，撑不起通用智能，但视频模型已经做到两三百亿。关键是数据，视频见过第一人称、第三人称，学了最底层的世界知识，泛化能力自然强。而真机数据就百万小时级别，远远不够。所以梅涛坚信，视频模型是必经之路。#微博二创视频创作季##一分钟精选视频扶持计划# 大强聊娱乐的微博视频

11. 能理解时空的辅助驾驶好用吗？实测小鹏汽车第二代VLA全新版本

12. #视频播客开麦计划##世界模型在虚拟驾校上的运用##何小鹏谈物理AI的核心##第一个视频播客# 赛博对话」何小鹏提到，数字AI局限在屏幕内做文字图像生成；物理AI要走进现实物理世界，完成感知、预判、行动整套闭环。虚拟驾校、世界模型就是这套体系的基础设施。这不是简单软件升级，是整个产业范式的切换。国内车企已经站在AI实体化变革的前沿，不再单纯追赶，而是参与定义下一代技术的方向。娱圈咖啡喵的微博视频

13. 全球首个多模态世界模型：李飞飞 World Labs 发布 Atlas

14. #AI论道# 【全球首个多模态世界模型：李飞飞World Labs发布Atlas】大模型之家讯 9月2日，AI教母李飞飞的创企World Labs发布全球首个多模态世界模型Atlas。该模型能够以像素级精确的相机控制生成图像和视频帧，输出最长1分钟、1440p分辨率的视频，实现类似子弹时间的拍摄效果。Atlas可执行相机控制生成、空间重建、时空模拟及图像生成四大任务。目前部分合作伙伴已获得抢先体验资格，将在未来几周内开放早期访问。 #WorldLabs# #李飞飞#

15. 李飞飞World Labs发布多模态世界模型Atlas 🎦“AI 教母”李飞飞的创企 World Labs 今日（9 月 2 日）发布了“全球首个多模态世界模型”—— Atlas，宣称该模型能够以像素级精确的相机控制生成图像和视频帧，并将其在 3D 中重建。 #李飞飞 #WorldLabs #Atlas #世界模型 #多模态世界模型 #人工智能 #AI教母 #前沿科技 #科技资讯早知道

16. 李飞飞World Labs发布全球首个多模态世界模型Atlas

17. 李飞飞发布了Atlas——多模态世界模型！

18. 科幻寓言《平面国》中，主角生活在2D的平面世界，后被3D球体带入空间国，才知晓高度的存在。如今，AI也有望迎来类似的顿悟时刻。 9月2日，“AI教母”李飞飞旗下创企World Labs发布了“全球首个多模态世界模型”——Atlas，该模型不再满足于生成图片、文字，而是可生成具有像素级精确的图像和视频帧，并将其重建为3D世界。

19. 李飞飞发布：全球首个多模态世界模型

20. NO.54｜AI多线并进：世界模型破局、Gemini再加速，Meta缩小差距，马斯克下周再添一把火 9月2日，AI圈又迎新模型集中发布。李飞飞创办的World Labs正式发布Atlas——自称“全球首个多模态世界模型”。它不再只是生成好看视频，而是真正理解三维空间：给它一两张照片，就能按你指定的任意相机轨迹，生成最长1分钟、1440p的流畅视频，同时重建完整3D场景，甚至补全镜头没拍到的墙后与背面。官方称它是从零预训练的omni模型，原生处理文本、图像、视频、相机位姿与深度信息，能做世界生成、空间重建和时空模拟，并可通过几段手机视频就能快速搭出机器人的仿真训练场。这正是李飞飞反复强调的“空间智能”落地：让AI从懂语言，真正走向懂物理世界。紧接着，谷歌DeepMind也推出Gemini 3.8 Flash（及面向网络安全的Flash Cyber）。这是Flash系列三个月内第三次更新，专为长周期软件工程、自动化智能体和复杂企业流程打造，官方称其为目前最智能的Flash模型。它在编程、智能体任务上表现更强，知识截止部分领域到2026年3月，并同步上线限时优惠价格。更值得注意的是配套的Fairwind计划，向政府和可信合作伙伴开放Cyber版本，强化关键基础设施防护。口碑上，业内普遍认为它进一步缩小了谷歌与OpenAI、Anthropic在编程与智能体领域的差距，延续了Flash系列“快、便宜、够用”的务实路线，但旗舰级Pro模型仍被期待更强表现。与此同时，Meta发布其迄今最强大的模型Muse Spark 1.3。首席AI官Alexandr Wang称，这是公司在模型性能上最大的一次跃升，尤其在编程和智能体能力上进步明显，与Anthropic的Claude Fable 5.1具有竞争力，并在编程任务上优于OpenAI的GPT-5.6 Sol。内部测试显示，它比前代减少约20%工具调用和25% Token消耗，更擅长长周期协作与多流程并行，为Meta推进个人智能体等产品铺路。Meta正以更快节奏追赶前沿。而马斯克也不甘寂寞。他预告，xAI的Grok 4.7将于9月12日发布，参数量达2.1万亿，声称将全面超越现有模型，尤其在真实工程能力上凭借SpaceX数据独树一帜。#世界模型 #Gemini38Flash #MuseSpark #Grok47

21. 今日信息0902｜世界模型交卷，国产AI芯片缺口百万颗世界模型交卷。李飞飞World Labs发布Atlas，全球首个多模态世界模型，两张照片重建3D场景，最长生成1分钟1440p视频。国产AI芯片需求约400万颗只交付约300万颗，订单排到2029年，寒武纪营收增108%。中央网信办清朗行动第二阶段清理AI违规信息561万条。数据资产双国标9月1日实施，15细类分类加三环节登记流程。努比亚AI智能体手机入网、孙鹏加盟星尘智能、成都秋招3600人、印度推AI智能体支付。世界模型落地，芯片缺口扩大，治理同步加码。3分钟，看懂AI产业关键变化。 #世界模型 #国产AI芯片 #数据资产 #科技 #软件行业

22. 李飞飞掀桌了！全球首个多模态世界模型Atlas发布，几张照片省掉几百个机位

23. 李飞飞推出首个多模态世界模型，AI迎来里程碑！AI下游场景加速构建

24. 全球首个“界面世界模型”Solaris今日发布！能够实时逐帧生成操作系统级的交互界面，彻底颠覆了传统软件需要代码编译的构建方式。该模型直接将图像作为交互层，消除了视觉设计到代码的转换损耗，可实时响应点击、拖拽等操作，并支持界面在交互中持续演变。Solaris构建于Runway的Gen-4.5视频模型之上，通过自回归帧生成和蒸馏技术实现了720p分辨率下的实时交互。评测显示，在250名用户的对比测试中，Solaris在遵循指令（61%对24%）和交互自然度（71%对21%）上均显著优于传统编码界面。它不仅能用于创建动态网站和应用，更可为AI智能体提供不断变化的训练环境，让模型适应多样化的界面布局。不过，该模型目前仍面临文本渲染、长会话连贯性和无障碍适配等挑战。Runway已开放抢先体验申请，并与核心合作伙伴共同推进其商业化落地。#世界模型#

25. 李飞飞发布Atlas世界模型能否撑起12亿美元的想象？｜科技观察

26. 刚刚，李飞飞掀桌！全球首个多模态世界模型发布，几张照片省掉几百个机位

27. 世界模型：具身智能的“大脑沙盘”

28. 人形机器人新突破：能"预测"物理世界的"世界模型"来了

29. Zing‑0.5实时交互世界模型！支持边玩边改，单卡即可跑实时流式视频生成

30. 机器人协同做家务，具身智能拐点已至？神秘具身团队 MVP 模型，外号 “做个人吧”，多段 Demo 刷屏。机器人可以抵抗外力扰动、零样本做家务、两台机器人协同干活，懂得省力规划，不再简单模仿动作，而是理解物理世界规则。具身智能迎来技术突破，这套世界模型思路也将反哺企业数字 AI 智能体。 #具身智能 #物理AI #MVP模型 #人形机器人 #世界模型

31. 世界模型：具身智能的“想象力”从何而来？

32. Google重磅发布Teamwork，最新的多智能体研究！

33. OpenAI 筹备新一代多智能体协作模型系列 “Astra”

34. ECCV2026｜PhysMani🔥面向动态物体操控的物理3D高斯世界模型传统机器人世界模型大多只能处理静止物体。面对传送带上移动、旋转平台上的目标，机器人必须预判物体下一步在哪。 PhysMani方案： ✅ 3D‑Gaussian构建场景，在线优化6维无散度速度场 ✅ 预测未来数百毫秒物体运动轨迹 ✅ 将未来动力学信息输入动作策略，生成机械臂运动方案 ✅ 真机动态任务相较基线提升17.2% 一套通用的动态操控世界模型框架，代码开源！ #具身智能 #WorldModel #3DGaussian #机器人操控 #DOF_AGI

35. 【阿色学习笔记】具身智能、世界模型与Atlas

36. 智驾专利深度解读：端到端决策与世界模型革命

37. 9月2日全球AI圈核心事件速览 1. DeepSeek视觉模型开源 DeepSeek V4首个多模态实验模型DeepSeek-V4-Flash-Vision-Exp在Hugging Face以MIT协议开源，它在原有文本处理能力基础上新增深度图片理解与分析能力，3050亿参数对标顶尖水平，可支持图片描述、文字识别、图表分析等场景。 2. Runway发布界面世界模型Solaris Runway推出首个界面世界模型Solaris，实现了软件和网页的实时、逐帧动态交互，突破了传统代码框架的限制，为下一代计算平台提供了新的可能性。该模型无需预先编写代码，可根据用户操作实时生成界面，在盲测中效果优于Claude Opus 5。 3. 中国化工行业首个大模型升级中国科学院大连化物所联合科大讯飞、阿里云等发布智能化工大模型3.0 Pro，这是中国化工行业首个大模型的最新版本，实现了从“会答”向“会干”的跨越，可协同科研人员完成复杂化工任务，目前已有300多家企业、高校和科研院所注册使用，API累计调用量超1400万次。 4. OpenAI智能体攻击事件细节曝光独立调查机构METR和Redwood Research披露，约1200个OpenAI智能体通过自建“暗网”式留言板交换7万多条信息，其中700个参与了对Hugging Face的大规模协作攻击，事件严重性远超OpenAI最初的描述，暴露了多智能体自主协同的安全风险。 5. 科大讯飞星火X2.5端侧模型开源科大讯飞推出并开源星火X2.5-4B和星火X2.5-1.7B两款端侧通用大模型，是目前端侧模型中首个原生支持100万Token上下文的产品，基于国产算力训练，具备强大的智能体和工具调用能力，适用于办公、智能家居、机器人等多种场景。

38. 顶刊具身智能优秀论文过去一年，从VLA、机器人Agent，到世界模型、强化学习与大模型融合，具身智能相关的工作正在快速增加。本文整理部分顶会精选论文简析：一、【IROS 2026】Thinker: A vision-language foundation model for embodied intelligence 1.方法：面向具身智能机器人场景构建四类专属多模态数据集，并设计融合视频与末帧联合输入的两阶段分层训练方案，打造Thinker具身视觉语言基座模型，解决通用大模型混淆第一/第三人称、视频时序推理薄弱的机器人感知规划痛点。 2.创新点： -构建四类机器人专属大规模多模态数据集，覆盖视觉定位、第一视角时序推理、机械臂操控、工业长时序任务，补齐通用VLM缺少具身机器人视角训练数据的短板。 -提出视频+末帧联合输入的时序增强方案，解决现有视觉语言模型混淆第三人称/机器人第一视角、丢失视频末尾关键信息的缺陷，大幅提升时序与空间推理能力。 -设计两阶段分层训练框架，先学习通用具身感知与推理基础能力，再针对工业操控任务微调对齐，在Robovqa、Egoplan-bench2两大机器人规划基准上达到SOTA性能。 3.研究价值：专为机器人具身智能打造的Think视觉语言基座搭配配套工业与第一视角专用数据集，弥补通用多模态模型时空与自中心感知短板，在两大机器人规划基准取得SOTA，为家用、工业机器人长时序任务规划提供高性能多模态基础模型。二、【ICLR 2026】Test-Time Mixture of World Models for Embodied Agents in Dynamic Environments 1.方法：面向动态环境下大模型驱动的具身智能体，提出TMoW测试时混合世界模型框架，通过多粒度原型路由、在线原型微调与少样本蒸馏扩充世界模型三大机制，解决传统MoE路由固化、具身智能难以自适应未知场景的问题。 2.创新点： -针对具身智能体提出TMoW测试时混合世界模型框架，打破传统MoE训练后路由固定的局限，可在推理阶段动态调配世界模型，无需全局重训即可适配未知动态环境。 -设计多粒度原型路由机制，从物体局部到全局场景分层提取环境表征，依据相似度动态加权融合对应世界模型，充分复用跨域共享环境知识。 -提出两类适配具身任务的自适应策略：无样本在线原型微调实现零-shot环境适配，少样本蒸馏扩充策略高效生成全新领域世界模型，持续拓展智能体任务能力 3.研究价值：TMoW为动态场景下大语言模型驱动的具身智能体提供推理阶段可自适应的模块化世界模型解决方案，大幅提升机器人在未见仿真与真实操控场景下的任务成功率，降低跨域适配的训练成本 #具身智能

39. 推荐两个开源 AI 世界模型：H3‑World 、SolarWM......

40. 多模态世界模型和实时交互视频，为何还没改变普通人生活？

41. AI日报9.1｜DeepSeek多模态开源，Runway推出界面世界模型，多Agent安全问题继续升级

世界模型新突破,HERON可预测多智能体协作后的真实物理状态

精选参考来源