ICML 2026世界模型研究盤點(diǎn)：LAWM VS WAM，誰主沉浮？

理解世界的第一步，是凝視世界；而改造世界的唯一途徑，是與世界發(fā)生碰撞。

編輯丨岑峰

作為機(jī)器學(xué)習(xí)領(lǐng)域的頂級(jí)學(xué)術(shù)盛會(huì)，“世界模型”這一主題在ICML的接收論文名單中，從絕對(duì)數(shù)量上看似乎并不占上風(fēng)。根據(jù)MTRI近日發(fā)布的一篇報(bào)告，在ICML 2026被接收的6341篇論文中，有49篇論文屬于“世界模型”分類，占比不到1%。然而，在仔細(xì)剖析論文趨勢并在大會(huì)現(xiàn)場與參會(huì)者深入交流后我們發(fā)現(xiàn)，今年的ICML世界模型研究正經(jīng)歷一場至關(guān)重要的范式革命。

在會(huì)場內(nèi)外，學(xué)者們爭論的核心焦點(diǎn)早已跳出“要不要用世界模型”的啟蒙階段，徹底演變?yōu)榫唧w的技術(shù)路線選擇：是沿著依賴顯式動(dòng)作數(shù)據(jù)的WAM（World Action Models）路線深耕，還是全面擁抱從海量視頻中汲取物理規(guī)律的LAWM（Latent Action World Models）路線？過去兩年，受Sora等生成式AI的狂熱啟發(fā)，學(xué)術(shù)界曾一度傾向于后者，認(rèn)為“視頻上的Next-token prediction”這種廣義的世界模型是通向AGI的捷徑。

然而，從今年的論文數(shù)據(jù)來看，天平正在發(fā)生傾斜：WAM論文的比重正在強(qiáng)勁反彈，占據(jù)了半壁江山；純粹的LAWM路線熱度有所消減，而基于二者融合的論文正在穩(wěn)步增加。

這一轉(zhuǎn)折并非偶然。學(xué)術(shù)界和以英偉達(dá)為代表的產(chǎn)業(yè)巨頭越來越清晰地意識(shí)到：僅僅在“隱空間”里生成符合物理直覺的預(yù)測，不足以讓自動(dòng)駕駛汽車打好方向盤，也不足以讓通用機(jī)器人精準(zhǔn)地?cái)Q緊螺絲。WAM路線的“王者歸來”，標(biāo)志著世界模型正式跳出了“生成視頻的視覺幻象”以及“Atari游戲機(jī)的封閉仿真”這兩個(gè)舒適區(qū)，開始向真實(shí)的物理控制和具身智能發(fā)起總攻。

但這并不意味著LAWM失去了價(jià)值。恰恰相反，LAWM正在退居幕后，成為整個(gè)具身智能不可或缺的“認(rèn)知基座”。就像人類的小腦負(fù)責(zé)精確的肌肉控制（WAM），而大腦皮層負(fù)責(zé)對(duì)世界運(yùn)行規(guī)律的常識(shí)理解（LAWM）。如果沒有LAWM在海量無標(biāo)注視頻中建立的物理直覺，WAM將永遠(yuǎn)被困在缺乏泛化能力的仿真器中；而如果沒有WAM，LAWM也只是一臺(tái)徒有其表的視頻生成器。

以下是我們從這兩大陣營中挑選出的代表性頂會(huì)論文，它們清晰地勾勒出了世界模型在ICML 2026上，從“虛擬認(rèn)知”走向“實(shí)體控制”的前沿圖景：

01

陣營一：LAWM（隱式動(dòng)作路線）：

構(gòu)建常識(shí)與物理直覺的基座

如果說物理引擎是人類用公式寫就的規(guī)則，那么LAWM就是AI通過海量觀察自主頓悟的“常識(shí)”。盡管剝離了具體的動(dòng)作標(biāo)簽，但這一流派的研究正前所未有地逼近物理世界的因果本質(zhì)。

縱觀今年ICML的相關(guān)研究成果，LAWM的共同趨勢在于：不再執(zhí)著于像素級(jí)的完美重建，而是向著隱空間中的因果干預(yù)、表征解耦與協(xié)同進(jìn)化進(jìn)發(fā)。LAWM不僅是打破“機(jī)器人數(shù)據(jù)墻”的利器，更是為具身智能注入“物理直覺”的絕對(duì)基石。

▎Causal-JEPA：引入對(duì)象級(jí)隱式干預(yù)，徹底攻克世界模型“反事實(shí)推理”難關(guān)

Causal-JEPA: Learning World Models through Object-Level Latent Interventions

論文點(diǎn)評(píng)：該論文是Yann LeCun團(tuán)隊(duì)發(fā)布的世界模型重磅成果。核心是解決現(xiàn)有視覺世界模型“懂統(tǒng)計(jì)關(guān)聯(lián)、不懂因果交互”的痛點(diǎn)。研究發(fā)現(xiàn)，對(duì)象遮罩推理中引入潛在干預(yù)、反事實(shí)效應(yīng)可規(guī)避捷徑推理。為此作者提出 C-JEPA 模型，把遮罩聯(lián)合嵌入預(yù)測拓展至對(duì)象層級(jí)。實(shí)驗(yàn)顯示，該模型視覺問答反事實(shí)推理性能提升約20%，智能體控制僅需1%的潛在輸入特征就能媲美圖像塊模型的規(guī)劃效果。

論文鏈接：https://arxiv.org/html/2602.11389v1

▎CoLA-World：雙模型協(xié)同熱啟動(dòng)對(duì)齊，打通潛在動(dòng)作與世界模型聯(lián)合訓(xùn)練壁壘

Co-Evolving Latent Action World Models

論文點(diǎn)評(píng)：現(xiàn)有視頻生成潛在動(dòng)作控制的兩階段訓(xùn)練存在冗余學(xué)習(xí)、表征易崩塌的痛點(diǎn)。研究提出 CoLA-World 架構(gòu)，依靠熱啟動(dòng)階段完成兩類模型表征對(duì)齊，以世界模型輸出梯度優(yōu)化潛在動(dòng)作模塊，同時(shí)潛在動(dòng)作模型提供精準(zhǔn)控制接口反向增強(qiáng)視頻生成能力。工作首次構(gòu)建二者聯(lián)合訓(xùn)練框架，依托熱啟動(dòng)機(jī)制解決聯(lián)動(dòng)學(xué)習(xí)難題，為通用世界模型提供了高效協(xié)同的全新范式。

論文鏈接：https://arxiv.org/abs/2510.26433

▎DiLA：結(jié)構(gòu)解耦潛在動(dòng)作建模，平衡動(dòng)作抽象與視頻生成質(zhì)量

DiLA: Disentangled Latent Action World Models

論文點(diǎn)評(píng)：現(xiàn)有潛在動(dòng)作模型難以兼顧動(dòng)作抽象能力與視頻生成效果。該研究提出 DiLA 解耦式潛在動(dòng)作世界模型，將視覺信息拆分為代表空間布局的“結(jié)構(gòu)路徑”和承載細(xì)節(jié)紋理的“內(nèi)容路徑”。多組實(shí)驗(yàn)證實(shí)，DiLA 在視頻畫質(zhì)、動(dòng)作泛化、規(guī)劃效果與潛在空間可解釋性上全面超越現(xiàn)有方案，搭建起融合高層次動(dòng)作抽象與高保真生成的統(tǒng)一架構(gòu)。

論文鏈接：https://arxiv.org/abs/2605.15725

02

陣營二：WAM（顯式動(dòng)作路線）：

突破數(shù)據(jù)墻與精細(xì)控制的王者

當(dāng)生成式AI的視覺幻象褪去，研究者們清醒地認(rèn)識(shí)到：缺乏物理動(dòng)作錨點(diǎn)的想象，終究無法操控冰冷的機(jī)械臂。WAM流派的強(qiáng)勢崛起，正是向著極值控制力的再一次沖鋒。

縱觀ICML上的WAM論文，其共同的趨勢在于：利用明確的動(dòng)作指令作為“錨點(diǎn)”，在長序列幾何一致性、無限視距規(guī)劃以及反事實(shí)推理上取得了驚人的突破。WAM不僅是連接虛擬與現(xiàn)實(shí)的橋梁，更是讓世界模型真正走向?qū)嶓w交互的執(zhí)行中樞。

▎WorldPlay：雙動(dòng)作表征搭配記憶重構(gòu)蒸餾，兼顧實(shí)時(shí)交互與長時(shí)幾何一致性

WorldPlay: Towards Long-Term Geometric Consistency for Real-Time Interactive World Modeling

論文點(diǎn)評(píng)：WorldPlay是由香港科技大學(xué)團(tuán)隊(duì)推出的一款流式視頻擴(kuò)散模型，旨在解決交互式世界模型中速度與內(nèi)存之間的權(quán)衡難題。該模型靠三套核心方案破解痛點(diǎn)：雙動(dòng)作表示（鍵盤+攝像機(jī)位姿）精準(zhǔn)承接用戶操控，重構(gòu)式上下文記憶調(diào)取歷史畫面緩解遺忘，上下文強(qiáng)制蒸餾抑制畫面漂移。該工作首次讓世界模型同時(shí)具備流暢實(shí)時(shí)交互（24 FPS）與長效3D記憶能力。

論文鏈接：https://arxiv.org/abs/2512.14614

▎WorldCompass：長時(shí)序世界模型強(qiáng)化學(xué)習(xí)框架，提升長時(shí)間交互探索與畫面質(zhì)量

WorldCompass: Reinforcement Learning for Long-Horizon World Models

論文點(diǎn)評(píng)：當(dāng)下視頻交互世界模型做長期任務(wù)時(shí)，容易出現(xiàn)探索效率低、動(dòng)作不準(zhǔn)、獎(jiǎng)勵(lì)作弊等短板。本文打造的 WorldCompass 強(qiáng)化學(xué)習(xí)優(yōu)化框架，利用顯式動(dòng)作針對(duì)性解決上述痛點(diǎn)。框架包含剪輯級(jí)展開策略、互補(bǔ)獎(jiǎng)勵(lì)函數(shù)等設(shè)計(jì)，在長周期任務(wù)中明顯改善了交互準(zhǔn)確度與視頻視覺效果，給高效世界模型的研發(fā)提供了全新思路。

論文鏈接：https://arxiv.org/abs/2602.09022v1

▎Mind Dreamer：隱空間主動(dòng)反事實(shí)推理，打破歷史束縛加速稀疏獎(jiǎng)勵(lì)任務(wù)學(xué)習(xí)

Mind Dreamer: Untethering Imagination via Active Counterfactual Reasoning on Latent Manifolds

論文點(diǎn)評(píng)：傳統(tǒng)基于模型的強(qiáng)化學(xué)習(xí)（MBRL）容易被過往歷史數(shù)據(jù)死死限制，導(dǎo)致探索效率低下。本文提出主動(dòng)反事實(shí)推理 ACR 框架，借助對(duì)抗生成器在基于顯式動(dòng)作的隱空間生成不連續(xù)狀態(tài)跳躍，跳出馬爾可夫連續(xù)約束挖掘認(rèn)知盲區(qū)。在 DeepMind 控制套件測試中，該方法最高提速 8.8 倍，大幅縮短稀有狀態(tài)探索耗時(shí)，顯著提升稀疏獎(jiǎng)勵(lì)強(qiáng)化學(xué)習(xí)效果。

論文鏈接：https://arxiv.org/abs/2605.16030

03

萬流歸宗的“融合路線”

無論是LAWM在視頻預(yù)訓(xùn)練上的穩(wěn)定表現(xiàn)，還是WAM在仿真器與實(shí)體控制中的強(qiáng)勢反彈，ICML 2026向我們傳達(dá)的最明確信號(hào)是：技術(shù)路線的二元對(duì)立正在消解，融合路線已成為通向通用具身智能的唯一共識(shí)。

當(dāng)前最具潛力的研究范式已經(jīng)浮出水面：LAWM預(yù)訓(xùn)練 + WAM微調(diào)對(duì)齊。未來的標(biāo)準(zhǔn)流程將是——先讓一個(gè)巨大的LAWM看遍全網(wǎng)視頻，建立對(duì)萬事萬物的物理直覺和因果認(rèn)知（“知道杯子掉在地上會(huì)碎”）；然后，將這個(gè)巨大的模型凍結(jié)，接入極少量的真實(shí)機(jī)器人(State, Action)數(shù)據(jù)，訓(xùn)練一個(gè)輕量級(jí)的WAM作為“對(duì)齊頭”（“知道手臂應(yīng)該輸出多少牛頓的力去接住杯子”）。

正如大語言模型（LLM）經(jīng)歷了“無監(jiān)督文本預(yù)訓(xùn)練”與“RLHF指令微調(diào)”的完美結(jié)合才迎來爆發(fā)，世界模型也正在復(fù)刻這一歷史進(jìn)程。當(dāng)認(rèn)知世界的大腦（LAWM）與改造世界的小腦（WAM）最終連通，真正的通用人工智能，或許將第一次真正邁開雙腿，走進(jìn)我們的現(xiàn)實(shí)世界。

在你看來，當(dāng)前阻礙具身智能爆發(fā)的最大瓶頸，是LAWM的視頻預(yù)訓(xùn)練算力不夠，還是WAM的真實(shí)動(dòng)作數(shù)據(jù)太少？歡迎在評(píng)論區(qū)分享你的判斷。

學(xué)術(shù)閱讀避坑提示：在今年的論文庫中，我們需要特別區(qū)分兩個(gè)極易混淆的概念：隱狀態(tài)（Latent State）與隱式動(dòng)作（Latent Action）。 在這49篇世界模型的論文中，例如 Boosting World Models Learning via Latent-Space Value Alignment 或 Mind Dreamer 等論文，雖然標(biāo)題中帶有“Latent”，但它們指的是在“隱狀態(tài)空間（Latent State Space）”中進(jìn)行演化，而非使用隱式動(dòng)作。像經(jīng)典的最強(qiáng)顯式動(dòng)作模型 Dreamer 系列，同樣是在 Latent State 中進(jìn)行運(yùn)算的。“在隱空間運(yùn)算”不等于“隱式動(dòng)作路線”，辨析這一點(diǎn)，將有助于我們更清晰地看懂世界模型發(fā)展的大棋局。

一個(gè)人讀論文太孤單，一群人刷頂會(huì)才好玩。

ICML 2026召開在即，我們正在召集一波含金量極高的 AI 研究者。群內(nèi)主打實(shí)時(shí)論文跟蹤與硬核技術(shù)探討，拒絕灌水。

進(jìn)群傳送門：掃碼進(jìn)群或添加微信Vin_Vivid，備注：論文群 + 關(guān)注的 AI 方向。

搞科研/搞技術(shù)，信息差很重要。

來，一起快人一步！

上車，帶你看遍全球 AI 頂會(huì)精華

可獨(dú)家暢覽：

專家演講PPT

大會(huì)報(bào)告全文

熱門論文解讀

學(xué)術(shù)新星訪談

未經(jīng)「AI科技評(píng)論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號(hào)轉(zhuǎn)載請先在「AI科技評(píng)論」后臺(tái)留言取得授權(quán)，轉(zhuǎn)載時(shí)需標(biāo)注來源并插入本公眾號(hào)名片。