Paper Morning 2026-04-27

各位早上好，新的一周开始了，Paper Morning又和大家见面了。 今天想先从一个更大的话题聊起。最近大家可能注意到了，AI领域关于世界模型的讨论越来越热闹，但仔细听会发现，同样说“世界模型”，不同背景的人指的其实是截然不同的东西。今天第一篇论文就试图给这个问题做一个系统性的梳理。 这篇叫做《Agentic World Modeling》的文章，来自一组在强化学习和机器人领域非常活跃的作者。他们提出了一个很有意思的“能力层级×物理法则”的分类框架。简单说，把世界模型分成三层：L1是基础的一步预测器，学的是局部转移算子；L2是可以做多步rollout的模拟器，而且能够尊重领域定律；L3更厉害，是能够自主修正模型的演化器，当预测失败时会自己改进。这个框架的聪明之处在于，它把大家对世界模型的模糊期待拆解成了可操作的能力阶梯。而且他们特别强调，一个好用的世界模型必须能够显式地编码领域物理定律，这和我们做PDE求解时强调物理先验嵌入，思路是一致的。现在很多agent项目都在讲规划、讲推理，但如果没有一个可靠的环境模型作为基础，那些高层决策都是空中楼阁。这篇文章给我们的提醒是：先把世界模型的能力层级搞清楚，再谈其他的。 顺着这个话题，第二篇论文非常及时地展示了世界模型在机器人领域的一个具体应用场景。这篇文章叫《UniT》，标题有点大，但解决的问题非常具体：怎么让机器人从人类视频中学习policy。大家知道现在 scaling humanoid foundation model是个大趋势，但数据稀缺是个瓶颈。相比之下，人类 egocentric 的视频数据要多得多。但问题是人的身体和机器人的身体 kinematics 差异巨大，怎么跨过这个鸿沟？ UniT的思路很有意思，叫做“统一物理语言”。他们的核心洞察是：不同的 kinematics 虽然动作不同，但共享同样的视觉后果。具体做法是一个三分支的交叉重建机制：动作预测视觉来把 kinematics 锚定到物理结果，视觉重建动作来过滤掉不相关的视觉干扰，同时一个融合分支把这两个净化后的模态整合成共享的离散latent token。这个思路其实和我们在科学计算里强调的“领域不变特征”是一回事——不管表现形式怎么变，抓住底层的物理规律就能迁移。我很欣赏这篇文章的地方在于，它不是简单地把动作投影到某个空间，而是通过视觉这个桥梁实现了真正的跨实体语义对齐。这对以后做机器人从互联网视频学习，是个很重要的范式突破。 说完了具体的模型和方法论，第三篇论文关注的是评估体系的问题。这篇叫《WorldMark》的文章提出了交互式视频世界模型的第一个统一 benchmark。 这个问题的背景是这两年出现了不少做交互式视频生成的模型，比如 Genie、YUME 等等，但大家各自用各自的场景、各自的轨迹，评估指标也不统一，根本没法公平比较。WorldMark 做了件很基础但很重要的事：提供了一个统一的 action-mapping layer，把相同的 WASD 风格动作翻译成不同模型需要的输入格式。这样一来，同一个场景、同样的动作序列，就可以横向评测不同模型的表现了。这个工作让我想到科学计算领域 benchmark 的重要性——没有统一的测试平台，方法的改进就缺乏可比的锚点。这篇文章在系统层面补了一个重要的空缺。 第四篇论文转向了时间序列推理这个相对传统但最近因为 LLM 又火起来的方向。《LLaTiSA》提出了一个四层的认知复杂度 taxonomy，从视觉感知到语义理解逐层递进。他们还发布了 HiTSR 数据集，包含 83k 样本和验证过的 chain-of-thought 轨迹。 这里我特别想说的是他们的一个核心洞察：时间序列推理不能只靠数值，必须把可视化的 pattern 和精校准的数值表格结合起来，去增强 VLM 的时序感知能力。这其实给我们做科学数据的 AI 很大启发——纯数值输入有时候丢失了太多结构信息，而视觉化是一种非常高效的信息压缩方式。这个思路和神经算子处理高维函数空间的方式有异曲同工之妙：找到好的表示，比堆模型更关键。 最后一篇论文回到了视频生成的分析，《Video Analysis and Generation via a Semantic Progress Function》。这篇文章指出一个很多做视频生成的人可能注意到但没系统研究的现象：视频生成的语义变化是非常非线性的，有时候好几帧没什么变化，突然之间语义就跳变了。 他们提出了语义进度函数这个概念，用语义 embedding 之间的距离来量化每一帧的语义变化，然后用一条平滑曲线来刻画累积的语义偏移。这条曲线和直线的偏离程度，就定量地描述了语义节奏的不均匀。基于这个发现，他们进一步提出了语义线性化方法，对视频进行重新参数化，使得语义变化以恒定速率展开。这个工作的巧妙之处在于，它不是去改进生成模型本身，而是提供了一个诊断和修正的工具。更重要的是，这种用函数观点看语义变化的方式，和我们在 PDE 求解里关注的“解的演化规律”非常相似——都是在寻找变化背后的结构性规律。 好，今天的播报接近尾声了。回顾这五篇论文，有一个统一的线索在浮现：不管是世界模型的层级化、跨实体的物理语言、统一 benchmark 的建设、时序推理的认知分层，还是视频语义的函数化表征，大家都在做同一件事——在混沌中建立秩序。AI for Science 的核心挑战，从来不只是模型能做什么，而是我们能否把问题的本质结构提取出来，变成可计算、可迁移、可组合的形式。这个趋势，值得我们继续关注。