论文汇总丨从「理解世界」到「进入世界」，NVIDIA/字节跳动/清华等团队引领的世界模型与VLA技术突破
💡
原文中文，约3200字，阅读约需8分钟。
📝
内容提要
具身智能（Embodied AI）使智能体能够在物理和数字世界中学习与决策，关键技术为世界模型（World Model）。近期研究包括基于视频训练的机器人模型、开源世界模拟器和合成环境生成器，推动智能体在可生成环境中的进化。推荐的六篇论文展示了智能体在复杂任务中的应用与优化。
🎯
关键要点
- 具身智能（Embodied AI）使智能体能够在物理和数字世界中学习与决策。
- 世界模型（World Model）是支撑具身智能的关键技术，能够构建环境动态、预判未来状态、模拟行动结果。
- 研究包括基于视频训练的机器人模型、开源世界模拟器和合成环境生成器，推动智能体在可生成环境中的进化。
- 推荐的六篇论文展示了智能体在复杂任务中的应用与优化，涉及多个研究机构。
- DREAMDojo是基于44,000小时第一人称视频训练的基础世界模型，支持实时、物理感知的机器人仿真。
- LingBot-World是一个开源的世界模拟器，具备高保真度和实时交互能力。
- Agent World Model（AWM）是一种合成环境生成器，支持可扩展的智能体训练。
- BagelVLA通过整合语言规划与视觉预测，实现精确的动作生成。
- ACoT-VLA引入动作链式思维推理，提升了视觉-语言-动作模型的性能。
- World-VLA-Loop通过闭环学习优化视频世界模型与VLA策略，提高了真实机器人任务的成功率。
❓
延伸问答
什么是具身智能，它的主要功能是什么？
具身智能（Embodied AI）使智能体能够在物理和数字世界中学习与决策。
世界模型在具身智能中起什么作用？
世界模型（World Model）能够构建环境动态、预判未来状态、模拟行动结果，是支撑具身智能的关键技术。
DREAMDojo是什么，它的主要特点是什么？
DREAMDojo是基于44,000小时第一人称视频训练的世界模型，支持实时、物理感知的机器人仿真，适用于开放世界任务。
LingBot-World的功能和优势是什么？
LingBot-World是一个开源的世界模拟器，具备高保真度、实时交互能力和长期记忆能力，支持多种环境场景。
BagelVLA如何提升动作生成的精确性？
BagelVLA通过整合语言规划与视觉预测，实现精确、低延迟的动作生成，在复杂多阶段操作任务中显著优于基线方法。
World-VLA-Loop的闭环学习机制有什么优势？
World-VLA-Loop通过迭代失败反馈共同优化视频世界模型与VLA策略，使真实机器人任务的成功率提升36.7%。
➡️
