把BEV表征、LLM语义推理和未来点云预测整合到一个框架中，让语言理解直接指导几何演化。

用第三人称视频生成作为中间表征，把任务指令转化为可执行的人形机器人行为，无需任务专属数据采集。

X-WAM：统一4D世界动作模型，联合预测多视角RGB-D视频与机器人动作

用强化学习把视频生成模型对齐 3D 几何，无需改架构即可获得 3D 一致性

DeFI：将视频预测与动作推理解耦预训练，再端到端融合实现高效通用机器人策略。

提出 L1/L2/L3 三级能力 × 物理/数字/社会/科学四规律的二维世界建模分类法

用离散扩散统一视觉-语言-动作token，自动打分评估机器人策略

为交互式视频世界模型提供标准化场景、统一动作接口与多维评估工具

通过视觉锚定的三支路交叉重建，将异构人类与机器人动作投影到共享离散潜在空间，统一服务策略与世界模型

用视觉隐空间世界模型给VLA加上前瞻规划，实现工业机械臂零人工干预

用世界模型辅助的视觉-语言双解码器监督潜在 CoT，让自动驾驶规划在答案级延迟下超越显式 CoT。

先把 VFM 语义特征自回归预测出来,再用扩散模型渲染像素,实现 7× 训练加速。

ZWM用单儿童868小时第一人称视频训练,无需任务标签即可零样本完成光流/深度/分割/物理推理

通过两阶段框架学习 64× 时间压缩的稠密运动潜空间，使目标条件运动生成比视频模型快 4 个数量级。

用稀疏点轨迹的逐步自回归扩散，从单张图像生成上千种物理一致的开集未来预测，比视频生成快几个数量级。

用预训练视频扩散器当价值模型，联合预测未来本体状态与价值，突破VLM在长程任务中的时序建模瓶颈。

双分支 flow matching 视频生成模型，联合建模视觉与 V-JEPA2 物理潜变量

实时单视频驱动的 4D 交互世界模型，24FPS 跑出 SOTA 相机控制。

把神经网络本身当作一台计算机，用视频模型承载传统计算机的计算、内存和 I/O。

单令牌编码帧间差分，35×参数、2000×FLOPs缩减的生成式世界模型。