Bang Liu 团队 38 页范式论文，提出继 Digital Agents（数字状态）和 Embodied Agents（物理状态）之后的第三种 Agentic AI 行动基底——Combodied Agents（以人的演化状态为核心）。文章构建了一个以事件级多模态感知、可纠正纵向记忆、Personal World Models、可接受干预策略四模块组成的闭环框架，并把’保留并增强人类 agency’首次系统化为可评估的指标体系。本文从背景、定位、问题抽象、解法机制、评估体系、优势根源、必要知识反推、通用性灵感八个维度逐层精读。
交互式视频世界模型在长时程生成中会遇到一个隐蔽的「记忆失效」问题：KV cache 里明明存着过去的画面，模型却读不出来。本文精读 NVIDIA/Princeton/ Toronto 联合提出的 WorldTrace 框架，它精准定位了 RoPE 旋转位置编码超出训练范围导致的「内容不可寻址」根因，并用一套无需训练的虚拟槽位机制，在时间一致性上提升 15.5%、在 LoopBench 情景回忆上提升 19.5%。本精读将从世界模型的记忆机制讲起，逐层揭开位置编码、相位抵消、虚拟槽位、规范 key 平均等关键技术。
MASS 借鉴在线游戏的权威服务器架构，将多人世界模型分解为推进权威类型化状态的 Logic Engine 与按需生成视角的 Rendering Engine，在匹配 Snake 基准上取得 0.764 的状态恢复（最强视频基线仅 0.128），并支持 1,024 个并发玩家、10,000 个循环 tick 的结构稳定预测。
蚂蚁集团与上海交通大学联合提出 EnvACE，让一个策略同时扮演「行动者」和「环境」两个角色：Acting 角色生成工具调用，Rehearsal 角色生成对应的环境响应，两个角色共享参数端到端联合优化。训练时完全不需要外部环境交互，却能在 BFCL-v4、τ²-Bench、VitaBench 三个 Agent 基准上全面超越依赖真实环境的 baseline，综合得分 32.91% 超过 14B 参数的 AWM。更精彩的是，模型内化出的「世界模型」还能在推理时用于 Test-Time Scaling，在提交执行前先在内部排练验证，把 Overall 推到 40.9%。本文从机制层面解释「世界排练为何比真实环境更高效」，并提炼出三条可迁移到其他领域的通用灵感。
腾讯提出WorldCycle，利用可逆动作循环的物理对称性作为免标注自验证RL信号。通过空间闭合奖励和时间一致性奖励，将视频世界模型的状态返回漂移降低44%，复合动作准确率提升近4倍。核心突破在于：不需要任何ground-truth未来状态，物理可逆性本身就是密集监督信号。
上海 AI Lab 等机构联合提出 Video-DeepResearch（Video-DR），把多模态 Deep Research Agent 从静态图像推进到连续视频流。论文诊断出当前 Agent 的两大顽疾——模态偏见（回避视觉工具转向文本搜索）与参数知识泄露（靠内部记忆蒙答案而非真正调用工具），并设计解耦感知-探索流水线 + 阶段式工具解锁 + SFT+GRPO 两阶段训练予以破解。其 35B-A3B 模型以 64.0% 平均准确率刷新 VideoDR-Bench SOTA，超越 Claude-4.5-Sonnet 5.0 分、GPT-5 11.5 分；30B 变体也追平 Claude-4.5-Sonnet。本文从机制因果层面解释：为何一个激活参数仅 3B 的模型能在视频 Deep Research 任务上反超数十倍体量的顶级闭源模型。
VLA 模型做 RL 后训练时，critic（价值估计器）通常只看单帧画面——这和机器人控制’部分可观测’的本质根本不匹配。WCM（World Critic Model）基于 LeJEPA 架构，让 critic 同时预测未来潜在状态（世界建模）和估计价值，使 critic 的表示被显式训练去捕捉时序动态。在 149 个任务上，OpenVLA-OFT 的 in-distribution 成功率达 99.0%、out-of-distribution 达 77.9%；从 0.8% 的 zero-shot 提升超 12000%；7 个真实世界任务全面超越基线。本文从’纯标量回报回归不足以学时序动态’的第一性原理，解释为什么单纯加历史帧没用、必须加世界建模目标。
世界模型已经能很好地预测物理场景将如何演化，但它常常预测错人类会做什么——因为人不是被物理推动的，而是被自己的信念、目标、情绪和社会规范推动的。本文提出 Mental World Modeling（MWM）框架，把心理变量从’事后解释’提升为世界状态的’一等公民’，并用一个无需训练的六阶段基线 MENTIS 验证：在 448 条情境决策数据上，显式建模心智让 8 个大模型的决策预测 F1 平均提升到 87.9%，而删掉心智通道会掉 12.1 分，最大瓶颈是’耦合世界状态如何转移’。本精读按九部分结构展开，从’世界模型是什么’讲起，逐层拆解 MWM 的形式化、MENTIS 流水线、评估设计与瓶颈归因。
深度精读 arXiv:2607.27924——首个用物理时间 ODE 取代离散下一步预测的连续时间潜在世界模型。PT-Flow 把’未来预测’重新定义为’在紧凑潜在空间里对一个连续速度场做积分’，靠动力学解耦 + 直接一阶 JVP 监督，一举绕开 JEPA 长期头疼的表示坍缩难题；还能做离散模型做不到的任意时刻查询和后向预测。在 LIBERO 视频生成上 PSNR 比离散 baseline 高 3 分以上，64 帧长程预测延迟仅 0.072 秒，并在 LIBERO-LONG 和真实双臂 AgileX 机器人上把策略成功率推到 SOTA。
PhiZero由中科院自动化所提出，通过自监督学习从野外视频中提取紧凑离散的’物理语言’表示世界状态转移，采用’先推理后渲染’范式：自回归VLM先推理物理语言序列，再由扩散解码器渲染为视频。4秒33帧视频仅需256个离散符号（比Wan2.2 VAE压缩175倍），在Physics-IQ、PhyGround、WorldModelBench、IntPhys2四个基准上物理一致性全面超越Sora 2、Cosmos3等。