NTU 牵头、20 个机构 50 余位研究者共建的 VBVR-Pro，为「原生视觉推理」——把视觉生成当推理介质本身——建立了可训练、可验证、可优化、可受控比较的闭环测试床：300 个程序生成任务（347 万图+130 万视频）、100 个任务的确定性奖励评分器（人类对齐超 GPT-5.5 且完全可复现）、30+ 生成器受控比较。训练使 9 个开源模型平均 +0.29 并在 7 个外部基准迁移 +28 分级别；RLVR 优于 RLVLM；三面证据链证明「视觉轨迹比语言 CoT 更关键」是范式级发现。
斯坦福与北大合作的 QWM 提出了一条与世界模型协作的新路线：世界模型完全不参与策略与价值函数的训练，只在测试时（在线采样与评估执行）通过树搜索帮助挑选动作。策略提议 N=8 个候选动作，世界模型为每个动作想象 K=8 个未来状态，递归展开至深度 4，节点值由 Q 函数估计器与奖励加未来值估计器等权聚合。由于训练只发生在真实转移上，模型偏差不会复合进策略；在 Robomimic 与 LIBERO 机器人操作基准上，QWM 在样本效率与最终性能上均显著超越强基线，而传统 model-based 方法几乎无法在同等预算内学出非零成功率。
《晚点聊》WRC 期间对话北京人形创新中心戴勇、张怡与前华为 AI 专家唐都钰。VLA 与世界模型的路线之争被拆到表征层：VLA 泛化差的病根是"特征漏斗+预训练与后训练范式不一致"；世界模型则被戴勇称为"AI 时代的永动机"——指望它生产数据，它本身却缺数据，“至少到现在是个童话”。北京人形的答案是 Pelican-Unify 大一统强耦合路线，年底 2.0 要拿出具身领域的 scaling law；唐都钰离职创业做"主动式物理因果模型"，并转述图灵奖得主 Sutton 的机器人幼儿园设想。
SemComp-Bench由中国科学技术大学联合FrameX.AI与中山大学提出，定义了结果导向的语义任务完成视频生成任务：给定参考图像与指令，要求生成视频既达成指定结果，又与参考保持任务相关的语义接地（如把钞票折成乌龟，结果必须是那张钞票折成的乌龟）。团队从Koala-36M约2万条视频经四阶段管线构造1273个结构化实例，并设计OA/GR双维度VLM评测协议。七个代表模型中最高OA仅37.8%，I2V全面碾压T2V（37.8% vs 4.4%），brief指令下OA暴跌至1.7%，GR与OA排名显著错位，揭示了当前视频生成模型会生成却不会完成任务的系统性缺口。
北大、清华、上海AI Lab等机构30余位作者联合提出HarnessEval-W，把LLM生态的harness范式首次引入世界模型基准测试：父Agent解释每个评测案例的语境并路由到技能库（记录激活与跳过理由），技能把问题分解为可测子问题、交给配备诊断工具的专职子Agent，证据经校验后聚合为分数——每次评测产出一棵可回溯到具体子问题与工具证据的证据树。在330案例×18个世界模型上，与5000次人类A/B判断拟合的Bradley-Terry排序对比达Spearman 0.93（Intentional）/0.87（Physical）；对照最接近的WBench协议，Physical成对准确率从31.9%提至71.7%、平局率从52.2%降至1.8%。榜单揭示：Seedance 2.0综合75.5居首，视频生成器改造为世界模型会重新分配能力而非均匀提升。
机器之心对话东方理工陈云天：从"知识嵌入"到"知识发现"的双向耦合范式。用AI从真实实验数据中找出人类未知的控制方程（如海浪破碎方程），用机械臂高通量实验找色谱方程替代耗时实验；他判断AI科学家"一定到了这个节点"，但资本市场节奏与湿实验闭环的天然慢速之间正在撕开一个gap，而通用模型"每个行业都很浅"，真正的机会在把物理一致性嵌进专业模型。
Jeff Dean 带三位谷歌元老出走创立 Discovery Loop 当周，前 DeepMind 科学家、Unreasonable Labs 联合创始人曹原在硅谷101拆解 AI for Science 为何在此时爆发：代码与数学能力到位后科研成为下一个智能爆发点，但真正的瓶颈从建模移到了物理世界的验证环节；LLM 无法凭训练数据产生真正新的科学概念，概念抽象可能是 AGI 的"最后一公里"甚至不可计算；他主张 AI and Science 而非 AI for Science——科学难题是驱动 AI 本身进化的催化剂，并给出"AI 拿诺贝尔奖至少还需二三十年"的长期判断。
交互式世界模型要同时做到“记得住、答得快、跑得久”，但三者天然冲突。Alaya-EVOKE 给出了一个系统级解法：把持久记忆外部化为按相机位姿索引的世界状态库，让去噪器上下文有界；同时把“教师”本身当作设计变量，用稀疏注意力改造出能看 30 秒的长视野教师，再经 DMD 蒸馏出三步、无 CFG 的学生模型。结果是：WBench 导航拆分三组指标全第一、VBench-2.0 总分 66.77 登顶（超过 Veo 3），单卡 H200 上每 1.5 秒内容只需 2.11 秒生成，并且能连续跑一个多小时不崩。本精读面向初学者，拆解其三大机制、实验证据与效果优势的因果链。
可交互世界模型（如 Genie 3）正在爆发式涌现，但“每个模型用自家基准自测”使得跨模型公平比较几乎不可能——固定动作序列在不同模型上会走出完全不同的轨迹。PlayWorld 提出 Agent-as-Player 范式：让多模态 Agent 像人类玩家一样，为指定的长时程目标（转一圈看环境是否一致、走进水里看有没有涟漪）主动探索交互，再用四维度 VQA 体系打分。171 个人工标注场景、9 个世界模型的大规模评测显示：最高的 Genie 3 Overall 也只有 2.12/5，且所有模型在“视野外演化”“洞察演化”两类长时程状态维持维度上普遍不超过 2 分——“能演、但不能持续演化”是当前公认瓶颈。本精读覆盖其动机、方法、实验证据与因果链根源解释。
英伟达研究副总裁、Cosmos Lab负责人刘洺堉的4小时深度访谈。从GAN到Diffusion到世界模型的20年研究者之路，到Cosmos 3为何将语言/视频/音频/动作统一进单一模型，到"模型竞争不是零和游戏"的Low Ego哲学，再到黄仁勋的第一性原理决策与"不裁员"文化。他认为模型能力终将收敛，真正决定胜负的是生态整合；他不想击败任何人，只想帮助Physical AI整个领域成功。