据行业权威报道，字节跳动正在加紧研发面向 3D 物理交互与机器人具身感知的「实时空间视频生成大模型」，力图在空间计算与物理世界模拟上对齐全球前沿。同时字节跳动已与全球银团签署总额 296 亿美元的专项 AI 算力与基础设施授信，全面提速具身智能、Pico 空间设备与大模型矩阵布局。
7 大权威镜像天梯跑分与 29+ 款主流编程套餐横向比价测算
联动天梯榜跑分、独家套餐赠金与 IDE 定制规则
大语言模型智能体在多步决策场景中展现出强大潜力，但一旦迁移至未知新环境，表现往往出现灾难性滑坡。传统世界模型方法尝试让智能体学习预测未来观测，但额外训练成本沉重且预测误差在长程规划中极易级联放大。研究表明，大模型在海量预训练中早已内化了数字环境的基本因果逻辑，核心瓶颈在于现有的后训练（Post-Training）范式在每个访问状态下仅提供单一目标监督，诱导策略模型盲目依赖表面上下文捷径而非底层因果。来自中科大、华东师大等机构的研究团队提出了 EVOKE 后训练方法：在保持环境状态与交互历史完全固定的前提下，对替代目标下的候选动作重新排序。这一机制倒逼模型必须激活内置世界模型以判断动作因果，从而在无需额外世界模型架构的情况下，实现了跨未知环境的高效泛化与数据利用效率跃升。
上海人工智能实验室与 OpenDataLab 正式开源统一世界动作模型（WAM）InternW0-Δ。基于开源界规模最大的 2 万小时具身异构语料库，模型采用 Mixture-of-Transformers（MoT）架构联合视频专家与动作专家协同建模。首创“因果印记”（Causal Imprint）机制，仅凭训练期未来监督即可将动态预测表征直接注入动作网络，在推理时彻底摒弃耗时数秒的未来视频渲染展开，实机泛化表现大幅超越既有具身模型。
由杜一伦（Yilun Du）、张吕敏（Lvmin Zhang，ControlNet 作者）等顶尖学者联合团队在 Hugging Face 与 ArXiv 正式公开了《Training Object Permanence in World Models》（arXiv: 2609.28654）。尽管当前视频生成模型具备惊艳的画面表现力，但在三维物理规律中普遍缺乏人类婴儿级的“物体恒存性（Object Permanence）”认知——物体一旦被遮挡即发生形变、消失或凭空瞬移。团队开创性地推出了涵盖 150 个精细认知任务与 150 万组样本的 WROP 基准数据集，并基于 AWS Trainium2 开源训练了 16B 物理世界模型 PWM-WROP，在双盲 Elo 评测中登顶视频延续模型第一。
讨论与评论
0登录后即可参与深度讨论
与广大 AI 开发者、工程师交流评测心得与前沿洞察