拓展JEPA至受控世界模型，清华团队揭示物理状态与动作转移的可辨识条件
拓展JEPA至受控世界模型，清华团队揭示物理状态与动作转移的可辨识条件世界模型是物理原生智能（Physics-native Intelligence，Phi）重要的组成环节。
来自主题: AI技术研报
10113 点击 2026-08-10 09:50
# 热门搜索 #
大模型
人工智能
openai
融资
chatGPT
搜索
世界模型是物理原生智能（Physics-native Intelligence，Phi）重要的组成环节。
过去的 Diffusion RL 多聚焦于奖励设计与优化算法，训练时的采样成本被忽视。DMSampler 指出：在在线 RL 中，限制规模化的不只是奖励信号或优化器，很多时候是 rollout 本身太贵。
来自清华大学与腾讯的研究者提出了 Generalizable Predictive Prompt Selection（GPS）。GPS 的做法很直接：先训练一个小型、可泛化的 Prompt Predictive Model（PPM），让它预测不同 prompt 在当前模型下的难度；再根据难度和 batch 多样性选择训练样本，从而减少无效 rollout。
以 LeWorldModel（LeWM）为例，它在规划时有一个重要瓶颈：每评估一条候选动作序列，模型都要一步步自回归 rollout。也就是说，LeWM 先预测下一步 latent，再把预测出的 latent 输入 dynamics model，继续预测下一步：
本周「十字路口」，我们聊 FDE 这个正在被重新定义的岗位与分工：它究竟是在把“售前/交付”换个名字，还是代表 ToB AI 时代新的组织结构与商业边界？当模型越来越强，最后一公里为什么依然最难？企业真正缺的，到底是更强的模型，还是能把 AI 带进流程、接入系统、治理知识、持续迭代并对结果负责的人？
这几天，一部叫《丧尸清道夫》的 AI 短片，把国内外互联网都刷了一遍。没有大牌导演，没有传统动画公司的工业体系，也没有烧钱级别的制作预算。一个中国独立创作者，用十天时间、约 3000 元成本，做出了一部被网友称为"国产爱死机"的 AI 短片。
I²B-LPO 是一个面向 RLVR 后训练的探索增强框架，通过改进 rollout 策略引导模型生成更多样化的推理轨迹，将探索行为从 “重复采样” 推进到 “在关键节点生成更具区分度的推理轨迹”，在多个数学基准上同时提升准确率与语义多样性，最高分别达 5.3% 和 7.4%。该工作接收于 ACL 2026 Main，来自阿里达摩院 - 智能决策团队。
新的挑战者
当强化学习后训练的大规模 rollout 已经被证明能够提升图像生成模型的偏好对齐能力，推理负担就成了制约训练速度的核心瓶颈。来自 NVIDIA、港大和 MIT 的团队提出的 Sol-RL，通过「FP4 先探索、BF16 再训练」的后训练框架，将达到等效 reward 水平的收敛速度最高提升到 4.64x，在训练速度与对齐效果之间给出了一条更具工程可行性的解法。
u1s1，现在模型能力是Plus了，但Rollout阶段的速度却越来越慢……