ICML 2026世界模型研究盤點：LAWM VS WAM，誰主沉浮？

作為機器學習領域的頂級學術盛會，“世界模型”這一主題在ICML的接收論文名單中，從絕對數量上看似乎并不占上風。根據MTRI近日發布的一篇報告，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，在仔細剖析論文趨勢并在大會現場與參會者深入交流后我們發現，今年的ICML世界模型研究正經歷一場至關重要的范式革命。

在會場內外，學者們爭論的核心焦點早已跳出“要不要用世界模型”的啟蒙階段，徹底演變為具體的技術路線選擇：是沿著依賴顯式動作數據的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，學術界曾一度傾向于后者，認為“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，從今年的論文數據來看，天平正在發生傾斜：WAM論文的比重正在強勁反彈，占據了半壁江山；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步增加。

這一轉折并非偶然。學術界和以英偉達為代表的產業巨頭越來越清晰地意識到：僅僅在“隱空間”里生成符合物理直覺的預測，不足以讓自動駕駛汽車打好方向盤，也不足以讓通用機器人精準地擰緊螺絲。WAM路線的“王者歸來”，標志著世界模型正式跳出了“生成視頻的視覺幻象”以及“Atari游戲機的封閉仿真”這兩個舒適區，開始向真實的物理控制和具身智能發起總攻。

但這并不意味著LAWM失去了價值。恰恰相反，LAWM正在退居幕后，成為整個具身智能不可或缺的“認知基座”。 就像人類的小腦負責精確的肌肉控制（WAM），而大腦皮層負責對世界運行規律的常識理解（LAWM）。如果沒有LAWM在海量無標注視頻中建立的物理直覺，WAM將永遠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論文，它們清晰地勾勒出了世界模型在ICML 2026上，從“虛擬認知”走向“實體控制”的前沿圖景：

陣營一：LAWM（隱式動作路線）： 構建常識與物理直覺的基座

如果說物理引擎是人類用公式寫就的規則，那么LAWM就是AI通過海量觀察自主頓悟的“常識”。盡管剝離了具體的動作標簽，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。

縱觀今年ICML的相關研究成果，LAWM的共同趨勢在于：不再執著于像素級的完美重建，而是向著隱空間中的因果干預、表征解耦與協同進化進發。LAWM不僅是打破“機器人數據墻”的利器，更是為具身智能注入“物理直覺”的絕對基石。

▎Causal-JEPA：引入對象級隱式干預，徹底攻克世界模型“反事實推理”難關

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

論文點評：該論文是Yann LeCun團隊發布的世界模型重磅成果。核心是解決現有視覺世界模型“懂統計關聯、不懂因果交互”的痛點。研究發現，對象遮罩推理中引入潛在干預、反事實效應可規避捷徑推理。為此作者提出 C-JEPA 模型，把遮罩聯合嵌入預測拓展至對象層級。實驗顯示，該模型視覺問答反事實推理性能提升約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劃效果。

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

▎CoLA-World：雙模型協同熱啟動對齊，打通潛在動作與世界模型聯合訓練壁壘

Co-Evolving Latent Action World Models

論文點評：現有視頻生成潛在動作控制的兩階段訓練存在冗余學習、表征易崩塌的痛點。研究提出 CoLA-World 架構，依靠熱啟動階段完成兩類模型表征對齊，以世界模型輸出梯度優化潛在動作模塊，同時潛在動作模型提供精準控制接口反向增強視頻生成能力。工作首次構建二者聯合訓練框架，依托熱啟動機制解決聯動學習難題，為通用世界模型提供了高效協同的全新范式。

論文鏈接：https://arxiv.org/abs/2510.26433

▎DiLA：結構解耦潛在動作建模，平衡動作抽象與視頻生成質量

DiLA: Disentangled Latent Action World Models

論文點評：現有潛在動作模型難以兼顧動作抽象能力與視頻生成效果。該研究提出 DiLA 解耦式潛在動作世界模型，將視覺信息拆分為代表空間布局的“結構路徑”和承載細節紋理的“內容路徑”。多組實驗證實，DiLA 在視頻畫質、動作泛化、規劃效果與潛在空間可解釋性上全面超越現有方案，搭建起融合高層次動作抽象與高保真生成的統一架構。

論文鏈接：https://arxiv.org/abs/2605.15725

陣營二：WAM（顯式動作路線）： 突破數據墻與精細控制的王者

當生成式AI的視覺幻象褪去，研究者們清醒地認識到：缺乏物理動作錨點的想象，終究無法操控冰冷的機械臂。WAM流派的強勢崛起，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：利用明確的動作指令作為“錨點”，在長序列幾何一致性、無限視距規劃以及反事實推理上取得了驚人的突破。WAM不僅是連接虛擬與現實的橋梁，更是讓世界模型真正走向實體交互的執行中樞。

▎WorldPlay：雙動作表征搭配記憶重構蒸餾，兼顧實時交互與長時幾何一致性

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

論文點評：WorldPlay是由香港科技大學團隊推出的一款流式視頻擴散模型，旨在解決交互式世界模型中速度與內存之間的權衡難題。該模型靠三套核心方案破解痛點：雙動作表示（鍵盤+攝像機位姿）精準承接用戶操控，重構式上下文記憶調取歷史畫面緩解遺忘，上下文強制蒸餾抑制畫面漂移。該工作首次讓世界模型同時具備流暢實時交互（24 FPS）與長效3D記憶能力。

論文鏈接：https://arxiv.org/abs/2512.14614

▎WorldCompass：長時序世界模型強化學習框架，提升長時間交互探索與畫面質量

WorldCompass: Reinforcement Learning for Long-Horizon World Models

論文點評：當下視頻交互世界模型做長期任務時，容易出現探索效率低、動作不準、獎勵作弊等短板。本文打造的 WorldCompass 強化學習優化框架，利用顯式動作針對性解決上述痛點。框架包含剪輯級展開策略、互補獎勵函數等設計，在長周期任務中明顯改善了交互準確度與視頻視覺效果，給高效世界模型的研發提供了全新思路。

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

▎Mind Dreamer：隱空間主動反事實推理，打破歷史束縛加速稀疏獎勵任務學習

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

論文點評：傳統基于模型的強化學習（MBRL）容易被過往歷史數據死死限制，導致探索效率低下。本文提出主動反事實推理 ACR 框架，借助對抗生成器在基于顯式動作的隱空間生成不連續狀態跳躍，跳出馬爾可夫連續約束挖掘認知盲區。在 DeepMind 控制套件測試中，該方法最高提速 8.8 倍，大幅縮短稀有狀態探索耗時，顯著提升稀疏獎勵強化學習效果。

論文鏈接：https://arxiv.org/abs/2605.16030

萬流歸宗的“融合路線”

無論是LAWM在視頻預訓練上的穩定表現，還是WAM在仿真器與實體控制中的強勢反彈，ICML 2026向我們傳達的最明確信號是：技術路線的二元對立正在消解，融合路線已成為通向通用具身智能的唯一共識。

當前最具潛力的研究范式已經浮出水面：LAWM預訓練 + WAM微調對齊。未來的標準流程將是——先讓一個巨大的LAWM看遍全網視頻，建立對萬事萬物的物理直覺和因果認知（“知道杯子掉在地上會碎”）；然后，將這個巨大的模型凍結，接入極少量的真實機器人(State, Action)數據，訓練一個輕量級的WAM作為“對齊頭”（“知道手臂應該輸出多少牛頓的力去接住杯子”）。

正如大語言模型（LLM）經歷了“無監督文本預訓練”與“RLHF指令微調”的完美結合才迎來爆發，世界模型也正在復刻這一歷史進程。當認知世界的大腦（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，走進我們的現實世界。

在你看來，當前阻礙具身智能爆發的最大瓶頸，是LAWM的視頻預訓練算力不夠，還是WAM的真實動作數據太少？歡迎在評論區分享你的判斷。

學術閱讀避坑提示：在今年的論文庫中，我們需要特別區分兩個極易混淆的概念：隱狀態（Latent State） 與 隱式動作（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，雖然標題中帶有“Latent”，但它們指的是在“隱狀態空間（Latent State Space）”中進行演化，而非使用隱式動作。像經典的最強顯式動作模型 Dreamer 系列，同樣是在 Latent State 中進行運算的。“在隱空間運算”不等于“隱式動作路線”，辨析這一點，將有助于我們更清晰地看懂世界模型發展的大棋局。

一個人讀論文太孤單，一群人刷頂會才好玩。

ICML 2026 召開在即，我們正在召集一波含金量極高的 AI 研究者。群內主打實時論文跟蹤與硬核技術探討，拒絕灌水。

雷峰網ICML 2026頂會專區：