ICML 2026世界模型研究盘点：LAWM VS WAM，谁主沉浮？

发布时间：2026-07-12 03:48:02 来源：挥洒自如网 作者：休闲

理解世界的第一步，是模型凝视世界；而改造世界的唯一途径，是研究与世界发生碰撞。

编辑丨岑峰

作为机器学习领域的盘点顶级学术盛会，“世界模型”这一主题在ICML的沉浮接收论文名单中，从绝对数量上看似乎并不占上风。世界根据MTRI近日发布的模型一篇报告，在ICML 2026被接收的研究6341篇论文中，有49篇论文属于“世界模型”分类，盘点占比不到1%。沉浮然而，世界在仔细剖析论文趋势并在大会现场与参会者深入交流后我们看到，模型今年的研究ICML世界模型研究正经历一场至关关键的范式革命。

在会场内外，学者们争论的沉浮核心焦点早已跳出“要不要用世界模型”的启蒙阶段，彻底演变为具体的技术路线选择：是沿着依赖显式动作数据的WAM（World Action Models）路线深耕，还是完整拥抱从海量视频中汲取物理规律的LAWM（Latent Action World Models）路线？过去两年，受Sora等生成式AI的狂热启发，学术界曾一度倾向于后者，觉得“视频上的Next-token prediction”这种广义的世界模型是通向AGI的捷径。

然而，从今年的论文数据来看，天平正在发生倾斜：WAM论文的比重正在强劲反弹，占据了半壁江山；纯粹的LAWM路线热度有所消减，而基于二者融合的论文正在稳步提升。

这一转折并非偶然。学术界和以英伟达为代表的产业巨头越来越清晰地意识到：仅仅在“隐空间”里生成符合物理直觉的预测，不足以让自动驾驶汽车打好方向盘，也不足以让通用机器人精准地拧紧螺丝。WAM路线的“王者归来”，标志着世界模型正式跳出了“生成视频的视觉幻象”以及“Atari游戏机的封闭仿真”这两个舒适区，开端向真实的物理控制和具身智能发起总攻。

但这并不意味着LAWM失去了价值。恰恰相反，LAWM正在退居幕后，成为整个具身智能不可或缺的“认知基座”。就像人类的小脑负责精确的肌肉控制（WAM），而大脑皮层负责对世界运行规律的常识理解（LAWM）。如果没有LAWM在海量无标注视频中建立的物理直觉，WAM将永远被困在缺乏泛化能力的仿真器中；而如果没有WAM，LAWM也只是一台徒有其表的视频生成器。

以下是我们从这两大阵营中挑选出的代表性顶会论文，它们清晰地勾勒出了世界模型在ICML 2026上，从“虚拟认知”走向“实体控制”的前沿图景：

01

阵营一：LAWM（隐式动作路线）：

构建常识与物理直觉的基座

如果说物理引擎是人类用公式写就的规则，那么LAWM就是AI通过海量观察自主顿悟的“常识”。尽管剥离了具体的动作标签，但这一流派的研究正前所未有地逼近物理世界的因果本质。

纵观今年ICML的相关研究成果，LAWM的共同趋势在于：不再执着于像素级的完美重建，而是向着隐空间中的因果干预、表征解耦与协同进化进发。LAWM不仅是打破“机器人数据墙”的利器，更是为具身智能注入“物理直觉”的绝对基石。

▎Causal-JEPA：引入对象级隐式干预，彻底攻克世界模型“反事实推理”难关

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

论文点评：该论文是Yann LeCun团队发布的世界模型重磅成果。核心是处理现有视觉世界模型“懂统计关联、不懂因果交互”的痛点。研究看到，对象遮罩推理中引入潜在干预、反事实效应可规避捷径推理。为此作者提出 C-JEPA 模型，把遮罩联合嵌入预测拓展至对象层级。实验显示，该模型视觉问答反事实推理性能提升约20%，智能体控制仅需1%的潜在输入特征就能媲美图像块模型的规划效果。

论文链接：https://arxiv.org/html/2602.11389v1

▎CoLA-World：双模型协同热启动对齐，打通潜在动作与世界模型联合训练壁垒

Co-Evolving Latent Action World Models

论文点评：现有视频生成潜在动作控制的两阶段训练存在冗余学习、表征易崩塌的痛点。研究提出 CoLA-World 架构，依靠热启动阶段实现两类模型表征对齐，以世界模型输出梯度优化潜在动作模块，同时潜在动作模型给予精准控制接口反向增强视频生成能力。工作首次构建二者联合训练框架，依托热启动机制处理联动学习难题，为通用世界模型给予了高效协同的全新范式。

论文链接：https://arxiv.org/abs/2510.26433

▎DiLA：结构解耦潜在动作建模，平衡动作抽象与视频生成质量

DiLA: Disentangled Latent Action World Models

论文点评：现有潜在动作模型难以兼顾动作抽象能力与视频生成效果。该研究提出 DiLA 解耦式潜在动作世界模型，将视觉信息拆分为代表空间布局的“结构路径”和承载细节纹理的“内容路径”。多组实验证实，DiLA 在视频画质、动作泛化、规划效果与潜在空间可解释性上完整超越现有方案，搭建起融合高层次动作抽象与高保真生成的统一架构。

论文链接：https://arxiv.org/abs/2605.15725

02

阵营二：WAM（显式动作路线）：

突破数据墙与精细控制的王者

当生成式AI的视觉幻象褪去，研究者们清醒地认识到：缺乏物理动作锚点的想象，终究无法操控冰冷的机械臂。WAM流派的强势崛起，正是向着极值控制力的再一次冲锋。

纵观ICML上的WAM论文，其共同的趋势在于：利用明确的动作指令作为“锚点”，在长序列几何一致性、无限视距规划以及反事实推理上取得了惊人的突破。WAM不仅是连接虚拟与现实的桥梁，更是让世界模型真正走向实体交互的执行中枢。

▎WorldPlay：双动作表征搭配记忆重构蒸馏，兼顾实时交互与长时几何一致性

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

论文点评：WorldPlay是由香港科技大学团队推出的一款流式视频扩散模型，旨在处理交互式世界模型中速度与内存之间的权衡难题。该模型靠三套核心方案破解痛点：双动作指出（键盘+摄像机位姿）精准承接客户操控，重构式上下文记忆调取历史画面缓解遗忘，上下文强制蒸馏抑制画面漂移。该工作首次让世界模型同时具备流畅实时交互（24 FPS）与长效3D记忆能力。

论文链接：https://arxiv.org/abs/2512.14614

▎WorldCompass：长时序世界模型强化学习框架，提升长时间交互探索与画面质量

WorldCompass: Reinforcement Learning for Long-Horizon World Models

论文点评：当下视频交互世界模型做长期任务时，容易出现探索效率低、动作不准、奖励作弊等短板。本文打造的 WorldCompass 强化学习优化框架，利用显式动作针对性处理上述痛点。框架包含剪辑级展开策略、互补奖励函数等设计，在长周期任务中明显改善了交互准确度与视频视觉效果，给高效世界模型的研发给予了全新思路。

论文链接：https://arxiv.org/abs/2602.09022v1

▎Mind Dreamer：隐空间主动反事实推理，打破历史束缚加速稀疏奖励任务学习

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

论文点评：传统基于模型的强化学习（MBRL）容易被过往历史数据死死限制，导致探索效率低下。本文提出主动反事实推理 ACR 框架，借助对抗生成器在基于显式动作的隐空间生成不连续状态跳跃，跳出马尔可夫连续约束挖掘认知盲区。在 DeepMind 控制套件测试中，该方法最高提速 8.8 倍，大幅缩短稀有状态探索耗时，显著提升稀疏奖励强化学习效果。

论文链接：https://arxiv.org/abs/2605.16030

03

万流归宗的“融合路线”

无论是LAWM在视频预训练上的稳定表现，还是WAM在仿真器与实体控制中的强势反弹，ICML 2026向我们传达的最明确信号是：技术路线的二元对立正在消解，融合路线已成为通向通用具身智能的唯一共识。

当前最具潜力的研究范式已浮出水面：LAWM预训练 + WAM微调对齐。未来的标准流程将是——先让一个巨大的LAWM看遍全网视频，建立对万事万物的物理直觉和因果认知（“知道杯子掉在地上会碎”）；然后，将这个巨大的模型冻结，接入极少量的真实机器人(State, Action)数据，训练一个轻量级的WAM作为“对齐头”（“知道手臂应该输出多少牛顿的力去接住杯子”）。

正如大语言模型（LLM）经历了“无监督文本预训练”与“RLHF指令微调”的完美结合才迎来爆发，世界模型也正在复刻这一历史进程。当认知世界的大脑（LAWM）与改造世界的小脑（WAM）最终连通，真正的通用人工智能，或许将第一次真正迈开双腿，走进我们的现实世界。

在你看来，当前阻碍具身智能爆发的最大瓶颈，是LAWM的视频预训练算力不够，还是WAM的真实动作数据太少？欢迎在评论区分享你的判断。

学术阅读避坑提示：在今年的论文库中，我们需要特别区分两个极易混淆的概念：隐状态（Latent State）与隐式动作（Latent Action）。 在这49篇世界模型的论文中，例如 Boosting World Models Learning via Latent-Space Value Alignment 或 Mind Dreamer 等论文，虽然标题中带有“Latent”，但它们指的是在“隐状态空间（Latent State Space）”中进行演化，而非采用隐式动作。像经典的最强显式动作模型 Dreamer 系列，同样是在 Latent State 中进行运算的。“在隐空间运算”不等于“隐式动作路线”，辨析这一点，将有助于我们更清晰地看懂世界模型发展的大棋局。

一个人读论文太孤单，一群人刷顶会才好玩。

ICML 2026召开在即，我们正在召集一波含金量极高的 AI 研究者。群内主打实时论文跟踪与硬核技术探讨，拒绝灌水。

进群传送门：扫码进群或添加微信Vin_Vivid，备注：论文群 + 关注的 AI 方向。

搞科研/搞技术，信息差很关键。

来，一起快人一步！

上车，带你看遍全球 AI 顶会精华

可独家畅览：

专家演讲PPT

大会报告全文

热门论文解读

学术新星访谈

未经「AI科技评论」授权，严禁以任何方式在网页、论坛、社区进行转载！

公众号转载请先在「AI科技评论」后台留言取得授权，转载时需标注来源并插入本公众号名片。

相关文章