[LG]《Looped World Models》H A Lu, Z.L. V Wei, Q Zhang, J Zeng… [FaceMind Research Asia] (2026)

在世界模型（World Models）领域，长程模拟的精确度与计算成本之间的矛盾是一个悬而未决的难题。过去的方法受困于模型深度增加带来的参数冗余与推理开销，本质原因是固定深度的架构无法根据物理规律的复杂程度动态分配计算资源，导致预测误差随时间步指数级累积。

本文的核心洞见是：把物理世界的演化重新看作单一转换定律的迭代过程，并据此构建了首个循环架构世界模型 LoopWM。由此，参数共享的 Transformer 块配合谱范数约束的残差动力学这一关键操作，使模型能以极小的参数代价通过内部循环实现潜空间的迭代精炼，并支持根据任务难度自动调整计算深度的“早停”机制。

这项工作真正留下的遗产是确立了“迭代潜深度”作为世界模型的一种新型缩放轴（Scaling Axis），实现了百倍于传统模型的参数效率。它为后来者打开的新门是在资源受限平台上进行实时、高保真的长程环境模拟，但尚未跨过的门槛是在更复杂的连续视觉环境中实现完全无损的延迟解码与长期语义一致性。

arxiv.org/abs/2606.18208 机器学习 人工智能 论文 AI创造营