ICML 2026世界模型研究盘点：LAWM VS WAM，谁主沉浮？

理解世界的第一步，是凝视世界；而改造世界的唯一途径，是与世界发生碰撞。

编辑丨岑峰

作为机器学习领域的顶级学术盛会，“世界模型”这一主题在ICML的接收论文名单中，从绝对数量上看似乎并不占上风。根据MTRI近日发布的一篇报告，在ICML 2026被接收的6341篇论文中，有49篇论文属于“世界模型”分类，占比不到1%。然而，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发现，今年的ICML世界模型研究正经历一场至关重要的范式革命。

在会场内外，学者们争论的核心焦点早已跳出“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，还是全面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，认为“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增加。

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，开始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。核心是解决现有视觉世界模型“懂统计关联、不懂因果交互”的痛点。研究发现，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，依靠热启动阶段完成两类模型表征对齐，以世界模型输出梯度优化潜在动作模块，同时潜在动作模型提供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，依托热启动机制解决联动学习难题，为通用世界模型提供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全面超越现有方案，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，旨在解决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：双动作表示（键盘+摄像机位姿）精准承接用户操控，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解决上述痛点。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提供了全新思路。

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经浮出水面：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，而非使用隐式动作。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，信息差很重要。

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。