Paper Morning 2026-10-12

各位早上好，Paper Morning又和大家见面了。 今天想和大家聊几篇最近比较热闹的论文，不过我得先坦白一件事：今天选的这些文章，严格来说大部分不是我们AI4S“自己家里”的活儿。但我之所以还是把它们挑出来，是因为我觉得它们折射出的趋势，其实和我们在意的事情暗暗相通。 先看第一篇，Multi-Agent Egocentric World Model，简称ME-World。这篇文章在解决一个什么问题呢？它说现在的world model大多只关注单个智能体，但真实世界从来不是这样的。多个智能体共享一个环境，还要做精细的物理交互——比如两个人协作搬一个箱子，或者机器人之间传递工具——这种场景下，你的world model怎么保持一致性？这篇文章提出了三个一致性要求：跨视角的动作一致性、共享环境的一致性，以及交互引起的状态更新的连续性。他们用了一个联合去噪的架构来处理多个智能体的ego-stream。我感兴趣的是，这本质上是在处理多体系统的演化问题，和我们做PDE求解、分子动力学模拟其实面对的是类似的挑战——只不过他们用的是视觉观测，我们用的是物理方程。 接下来这篇MiMo-V2.6很有意思，它是把RL的scaling推到了一个新尺度。作者说他们用了异步训练，每一步消耗1568个样本和27亿到37亿个token，上下文长度能达到100万。这让我想到一个我们领域一直在讨论的问题：科学计算领域能不能复现NLP的scaling law？过去一年各种PDE foundation model层出不穷，但到底能不能像大语言模型那样靠堆算力堆数据就迎来智能涌现？这篇工作给我们的启示可能不在于它的具体技术，而在于它展示了一条可行的scaling路径——先把模型做厚，再通过RL来激发能力。那么反过来，如果我们把类似的多模态RL训练范式引入到科学问题求解中，会不会也能打开新的空间？ 然后第三篇 OuroWorld 挺有创意，它要把静态的3D Gaussian Splatting场景变成可以动的cinemagraph，而且是任意视角都能平滑循环的那种。他们用视觉语言模型来推断合理的动态，再引导视频模型生成参考视频，最后lift成多视角视频。这里面有个技术细节我很欣赏：他们提出了Inconsistency-Robust Periodic 4DGS，用傅里叶级数保证循环，再用grounded drift field来处理跨视角的不一致。这其实反映了一个更广泛的问题：当我们从稀疏观测重建连续动态时，怎么处理不一致性？不管是做流体模拟还是材料变形，这个问题天天都会遇到。 第四篇 Memento 3 是关于LLM智能体怎么通过外部记忆来持续学习world model的。它让智能体维护一个自然语言写的规则书，记录可修订的假设，然后把这些规则编译成可执行代码用于预测和规划。这让我想到一个根本性的问题：我们在科学计算中，通常是先有方程再有求解器，但如果我们想让AI系统从观测中自主发现物理规律，这个“规则书”的概念其实提供了一个有趣的中间表示——它比纯神经网络的可解释性强，又比硬编码的方程更灵活。我觉得这可能是未来AI辅助科学发现的一个很有前景的方向。 最后一本是 Foundations of Large Language Models，一本教科书，作者说它聚焦于基础概念而不是全面覆盖最新技术，内容包括预训练、生成模型、提示、对齐、推理和推理。把它放在这里不是要推荐大家去读——作为AI4S的研究者，我们更关心的是怎么把LLM的能力迁移到科学问题上。但这本书的存在本身提醒了我一件事：整个AI领域正在从“做模型”走向“做系统”，从“刷榜单”走向“真实可用”。这个大趋势同样会影响到我们科学计算领域。 好了，总结一下今天的观察。我发现今天这几篇文章其实都指向同一个方向：不管是world model、scaling RL、动态场景重建还是LLM的持续学习，大家都在处理同一个核心问题——怎么让AI系统对复杂世界保持一致的理解和推理能力。这种能力，在NLP领域可能叫“智能”，在我们科学计算领域，其实就是我们天天在解决的PDE求解、分子模拟、控制优化这些问题。路径不同，但目标相通。这或许意味着，AI4S的下一波突破，很可能就是从这些看似“外部”的进展中汲取灵感。咱们下周见。