世界模型新增

所属领域：AI 模型与 Agent。来源：❤️ Grok Bot 点赞 1 条（VLA vs WAM 调研，ChatGPT Deep Research 二手报告）；📥 主动分享 2 份（AGI 热点回答 + Tech Intel 核实；Jack 的 ChatGPT Deep Research《AGI + RSI 会否替代 VLA》，二手报告，待核实）。

另见：具身智能与机器人基础模型（VLA / WAM）（VLA / WAM 全貌）、AI 视频生成与 AI 短剧、VLA vs WAM 深度调研（2026-10，ChatGPT Deep Research 二手报告）、AGI 当前热点 vs 表情/情绪感知（AI 回答 + Tech Intel 核实）、通用大模型迈向 AGI 并结合递归自我改进后，是否会替代 VLA？（ChatGPT Deep Research 二手报告，待核实）、RSI（递归自我改进）、相关实体：DreamZero、Cosmos Policy（视频生成模型后训练成机器人策略的 WAM）。

要点

• 已核实（Tech Intel）：AGI 热点回答把"通用世界模型（Cosmos、Genie、Sora 类）"列为热点，报告判为符合 2026 现状，但 Sora 产品已于 2026-04-26 下线，不宜再作代表；情绪方向也出现了"情感世界模型"（LEWM 等，属新兴细分） 本地导入
• 已核实（Tech Intel）：2026 年通用世界模型的代表应写 NVIDIA Cosmos 3（2026-05-31）、Google DeepMind Genie 3 / Project Genie（2026-01-29 上线，2026-05-19 扩展）；OpenAI 研究团队转向机器人用的世界模拟 本地导入（NVIDIA Cosmos 3、Project Genie 扩展、OpenAI）
• 用于机器人控制的世界模型 = WAM（据 ChatGPT Deep Research 报告）：在策略学习中显式预测未来状态（像素视频、压缩视频隐变量或学到的预测状态），与动作联合生成或由逆动力学解码动作 Grok Bot 对话 Page（未公开）
• 价值在监督而非画面（报告观点）：视频提供大量"状态如何随时间变化"的免费监督；但 MotuBrain 称 WorldArena 中视频感知质量与下游动作成功率相关性仅 r≈0.36，"视频逼真 ≠ 控制更好"（待核实） Grok Bot 对话 Page（未公开）
• 从像素空间迁到隐空间（报告观点）：Being-H0.7 只在训练时用未来帧监督隐状态、部署不生成视频；VLA-JEPA 预测未来隐表示而不重建图像；MotuBrain、GigaWorld-Policy 部署走 action-only 路径（均待核实） Grok Bot 对话 Page（未公开）
• 视频基础模型直接变策略：Cosmos Policy 由 NVIDIA 视频模型 Cosmos-Predict2 单阶段后训练得到（✅ 摘要一致，arXiv 2601.16163）；DreamZero 建立在预训练图生视频扩散骨干上（✅ 摘要一致，arXiv 2602.15922） Grok Bot 对话
• 失败模式（报告观点）：预测错误变成动作错误、递归 rollout 误差累积、多种合理未来被平均、生成"看起来合理但物理上做不到"的状态 Grok Bot 对话 Page（未公开）
• 世界模型更可能被吸收进训练，而不是取代动作策略（📥 报告观点）："预测未来"和"选择动作"是两个不同的计算问题。World2Act、World Tokens 被举为融合例子（未给链接，待核实）；Gemini 4 Argon 的仿真孪生（Real2Sim）用来造数据、微调 VLA（✅ 官方博客一致） 本地导入 原文

待追问题

• 通用世界模型（Genie、Cosmos 视频生成）与机器人 WAM 之间的关系，目前只有二手报告的概括。

来源