Paper Morning 2026-10-06

各位早上好，今天Paper Morning来聊聊几篇有意思的世界模型论文。 先说第一篇，Spatial Memory Intelligence，说的是给世界模型装上一个“理解驱动”的记忆管理系统。现在长视频生成和世界模型很火，但时间一长，记忆序列就变得非常复杂，怎么管理这种长程空间上下文就成了难题。这篇文章提出用多模态大语言模型来做“理解模型”，让模型自己判断哪些记忆值得保留、哪些可以遗忘。我觉得这个思路很关键，它不是简单地把所有历史都存下来，而是让模型具备“推理什么重要”的能力，这和我们做PDE求解时处理长期依赖问题的思路其实是一致的。 接下来这篇HelixWorld就更有意思了，它给世界模型加上了声音。现在大多数交互式世界模型都是“哑巴”，只看画面。但真实世界的声音和视觉是共同演化的，比如你推着一个箱子走，箱子滚动的声音和它移动的轨迹是天然绑定的。这篇文章构建了一个带空间音频的数据集，然后做双向师生蒸馏，实现低延迟的视听世界模型。想想看，以后具身智能的模拟，不光要有视觉，还要能“听见”物理交互的声音，这对于真实感的提升是质变的。 然后第三篇RealCompanion非常特别，它提出了一个评估AI伴侣长期理解能力的数据集。27,218条消息，120天的对话记录，用来测试AI能不能记住用户说过的话、推断用户是谁、知道什么时候过去的事情和当前话题相关。结果发现一个反直觉的现象：过去的信息其实很少被用到，而且往往离得很远。这告诉我们什么？现在的AI可能在短期交互上做得不错，但真正长期的、累积性的理解还很薄弱。这对于我们做科学计算也有启示——我们训练模型的时候，是不是也太关注immediate prediction，而忽视了长期依赖关系的建模？ 第四篇Latent-MOPD是关于多教师蒸馏的方法创新。以前的蒸馏都是让学生学习老师的输出分布，但这篇文章说不够，要在表示层面也做监督——把老师的hidden states也用上。它提出了几个技巧：根据师生关系选择不同层的监督目标，用共享投影桥接不同的hidden维度，按领域分组更新。这让我想到，这其实就是在做“表示层面的知识融合”，和多模态大语言模型里融合不同模子的表征是一个道理。 最后这篇ProWAM，提出了渐进式世界动作模型。传统的方法要么生成完整视频 rollout（效率很低），要么只预测一个未来帧（没有中间过程指导）。这篇文章让模型同时预测动作和一组稀疏的视觉子目标，这样就给了动作生成明确的“锚点”。而且子目标预测可以从大规模无动作的视频里学习，这就相当于利用了更广泛的数据来源。 好，把今天这几篇放在一起看，我发现一个共同的趋势：世界模型正在从“预测下一步”走向“理解全过程”。不管是SMI的空间记忆管理、RealCompanion的长期理解，还是ProWAM的子目标规划，其实都在回答同一个问题——如何在长程交互中保持语义的一致性和目标的连贯性。这和我们AI4S领域追求的东西很像：PDE求解要的不是某个时间点的准确预测，而是整个时空域上解的 consistency。当世界的各个子领域开始相互借鉴思路的时候，往往就是范式要突破的前夜。