Loop 时代到来：世界模型走向 Physical AI｜P 站本周论文盘点

JoyAI-VL 实时视觉-语言交互智能（本周 #1，191 票）

5 个信号，本周交汇

💎 本周 7 句金句（截图传播友好）

💡 可分享元素：5 信号表 + 7 金句，配合开篇排比段，任意一段单独截图都自带钩子。

1. "更大就更强"这句话不再万能。 3B 参数的 VibeThinker 在可验证推理上做到了 frontier；0.2B 参数的 Moebius 在图像 inpainting 上做到了 10B 级别表现。本周两个独立工作同时把"参数效率"这条边界往前推了一大截。

2. 世界模型不再是视频生成的副产品。 从 LoopWM 的最高 100× 参数效率（论文原话 "up to 100x"），到 DreamX-World 的可交互长 horizon，再到 Kairos 直接自称"Physical AI 的原生世界模型 stack"——业界已经把 world model 当成了具身、机器人、游戏 agent 的基础设施，而不是"更高级的 Sora"。

3. Loop（循环计算）正在悄悄替代深度。 LoopCoder-v2、LoopWM 都把循环次数（loop count）当成了一个显式的设计自由度——一次预测要 loop 几次，由模型、任务、cost 共同决定。Test-time scaling 这条路，今年从 chain-of-thought 进化成了 chain-of-loops。

📈 每日产出趋势（柱状图）

🔥 本周高热度论文（≥ 5 评论）

过去一年我们听够了 chain-of-thought。但本周 3 篇 top 论文，把"循环"这件事推到了模型架构层面——模型本身就是一个 loop，而不是 loop 跑在模型外面。

📜 这条线的历史脉络

·2019 Universal Transformer 首次提出 weight sharing + 自适应深度，但训练不稳，没成主流。

·2024 Looped Transformer 系列工作（CMU / Princeton）让 loop 在算法推理任务上重新引起关注，但停留在 toy benchmark。

·2025 Test-time compute scaling 成为热词（o1 / DeepSeek-R1 类），思路是"推理时多算几步"，但靠的是 prompt + 验证。

·2026 本周 LoopWM / LoopCoder-v2 把 loop 从"训练 trick"变成显式架构参数——loop count 像 layer count 一样可以在论文里画曲线。

这条线从"理论玩具"到"主流架构"用了 7 年。本周的拐点是：有人开始用 7B 体量的实证工作系统比较不同 loop count 的 gain-cost——这意味着 loop 进入了"工程优化期"。

💡 真正的 insight

把模型做深是有代价的：显存、延迟、训练成本都跟着层数线性涨。而 looped transformer 是另一个思路：只造一个 block，让它反复跑。一次预测里跑几次，由任务复杂度决定；越难的样本自动 loop 更久。这是把"算力"从"weight 参数量"解耦到"inference loop 次数"，意味着同样的模型，跑 100 步推理和跑 5 步推理可以表达完全不同的能力。

代表论文

做了什么： 在 world model 上做参数共享的 looped transformer，最高 100× 参数效率（论文原话 "up to 100x"，是上限不是均值），深度根据预测难度自适应。

🔍 学到什么：

·"compounding error" 是 long-horizon world model 老大难——loop 给了一个新解法：短模型多 loop 几次，比一个深模型一次过更稳。

·"depth = quality" 不再绝对正确，"loop count = quality" 是新轴。

💡 真正的 insight：world model 不需要"真的很深"，它需要"能反复看自己刚才生成的"。循环就是反思。

做了什么： Parallel Loop Transformer（PLT），通过 cross-loop position offsets（CLP）和共享 KV gated sliding-window attention，让 loop 不再串行，loop count 真正成为可调超参数。

🔍 学到什么：

·Loop 的最大问题是 KV-cache 爆炸——这篇用 sliding window + 共享 KV 把 cost 压下来。

·训练时发现一个"gain-cost" 曲线：多 loop 一次有信息增益，但 CLP 引入位置失配；存在最优 loop 数。

💡 真正的 insight："loop 次数"不是越多越好，存在一个 sweet spot——这跟 chain-of-thought 越长越好（直到 saturate）的直觉相反。

做了什么： 一个始终在场的视觉-语言模型——它持续看视频流，自己决定是否开口（而不是被 prompt 触发）。从 turn-based 走向 streaming。

🔍 学到什么：

·这论文的"loop"是更高阶的——整个 agent 是一个 perception-decision loop，每帧都判断"现在该不该说话"。

·落地数据形式：实时 livestream 评论、安防摄像头自动告警、视频通话自动 summarize。

💡 真正的 insight：turn-based 不是 LLM 的限制，是交互范式的限制。让 model 自己决定何时回应，整个 UX 就变了。这才是 conversational AI 的下一步。

本周 4 篇代表论文都在把 world model 从"高级版视频生成"重新定位为"agent 的环境模拟器"。

📜 这条线的历史脉络

·2018 World Models 论文（Ha & Schmidhuber）首次系统提出"agent 在压缩的潜在环境里学习"，但只在简单游戏上 work。

·2023 Dreamer 系列（V1-V3）+ Genie 把 world model 推进到 game generation，但没人把它当成"环境"，只当成"视频生成器"。

·2024-2025 RT-2 / OpenVLA / Pi 等 VLA 模型崛起，但 action 端是 control policy，环境端还是 closed-loop simulator（MuJoCo / Isaac）。

·2026 本周 Kairos / DreamX-World / LoopWM 三篇同时出手，定位都是 "给 Physical AI 当环境的 world model"——这是数据基建从控制端转向感知端的信号。

转折点：当 VLA 的瓶颈从 policy 变成 environment data 时，world model 就从"视频生成的高级品"重新被定义为"环境模拟器"。本周三篇是这个转折的标志。

💡 真正的 insight

视频生成是"看",世界模型是"看 + 想 + 行动"。当 world model 学会响应 action 输入并生成下一帧时，它就不再是 visual decoder，而是 environment simulator——这正是机器人和具身 agent 缺的那一块。本周 Kairos 干脆把这个产品形态叫做 "Native World Model Stack for Physical AI"，意图很明显：占住 robotics 的基础设施 layer。

代表论文

通用文/图生视频，支持相机导航 + 重访已观察区域 + 可控事件。数据 engine 融合了 Unreal Engine 渲染、游戏录像和真实视频。

🔍 学到什么：long-horizon generation 的难点不是"画得好",是"记得住"——它必须知道 5 分钟前 camera 看过的地方，下一次回去时长什么样。这是 world model 与 video model 的本质区别。

定位很直接：Physical AI 专用的 world model stack，不是泛用 video model。

💡 insight：标题里 "Native" 是关键——意味着 stack 从数据采集、训练、推理、部署都是针对物理交互场景的，而不是把 video gen 模型硬塞过来。

之前的 VLA / WAM 主要在 2D 图像或 2D-derived latent 上跑，implicit 处理 3D。这篇直接把 pretrained geometric foundation model 改造成 manipulation policy，explicit 3D。

💡 insight：contact-rich manipulation（拧螺丝、抓鸡蛋）需要 3D 几何信息——2D 视觉 + 隐式 latent 不够，必须 explicit。这是机器人学界今年最重要的方法论争论。

把第一人称人类视频（egocentric, Ego4D 之类）和机器人数据统一到一个 VLA pretraining 框架里。

💡 insight：机器人数据贵，人类第一人称视频便宜。把两者放到一个 pretraining 里，用人类视频学 "看"，用机器人数据学 "动"——这是 VLA 数据 scaling 的捷径。

"小模型挑战大模型"年年说，今年的 differentiation 在于：verifiable reasoning（可验证推理） 的边界确实被压到了 3B。

📜 这条线的历史脉络

·2023 LLaMA-7B / Mistral-7B 时代，小模型靠 SFT 跟大模型差一大截。

·2024 Phi-3 系列首次证明"高质量数据 + 小参数"可以做到中端推理水平，但仍依赖数据 curation。

·2025 DeepSeek-R1 distill 系列把 RL 蒸馏推到 7B 规模——但需要先有一个"大教师模型"。

·2026 本周 VibeThinker-3B 走了完全不同的路：没有教师模型，直接 Spectrum-to-Signal 三步训练（curriculum SFT → multi-domain RL → offline self-distillation），3B 单模型自验自学，达到 frontier。

这是从"借大模型力量"到"小模型自洽训练"的拐点。Moebius 0.22B 在 inpainting 上的成功，证明这一路径在视觉任务上同样 work。

💡 真正的 insight

传统观念：reasoning 难，要大模型。本周两篇论文给出反证——只要 任务有可验证 ground truth（数学、代码、逻辑），3B 模型通过 curriculum SFT + multi-domain RL + self-distillation 也能做到 frontier。可验证推理与不可验证推理（写作、判断、品味）正在拉开 scaling 差异：前者参数效率正在被 push，后者还是吃模型规模。

代表论文

3B dense 模型，Spectrum-to-Signal post-training，达到 frontier-level verifiable reasoning。

🔍 学到什么：

·"Spectrum-to-Signal" 直观是：把 SFT 数据按难度铺成谱（spectrum），然后 RL 把信号提出来。

·Pipeline 是 curriculum SFT → multi-domain RL → offline self-distillation。这三步可以套用到任何 reasoning 小模型训练上。

0.22B 参数（论文原文，约 0.2B）达到与 11.9B 工业旗舰 inpainting 模型相当或略超的表现，同时推理速度 >15× 加速。核心是 Local-λ Mix Interaction 模块（LλMI）重构 diffusion backbone。

💡 insight：专项 specialist + 结构创新 可以打平通用 generalist。若产品场景固定（修图、抠图、商品图增强），训练专属 0.2B 比调 API 性价比高得多。

"prompt + tool" 是 2024 年的 agent。2026 年的 agent 是 harness foundry / context engineering / orchestration——属于工程基础设施。

📜 这条线的历史脉络

·2023 AutoGPT / BabyAGI 引爆 agent 概念，但全部是"prompt 拼接 + 简单 ReAct"，可观测性近乎为零。

·2024 AutoGen / CrewAI / LangGraph 让 multi-agent 系统第一次工程化，关键词是"graph 编排 + state 管理"。

·2025 DSPy 提出"agent = program with optimizable components"，把 agent 训练当成编译器问题。

·2026 本周 HarnessX 自称 "foundry"（铸造厂）、Orchestra-o1 做 omnimodal orchestration、Ling and Ring 在万亿参数尺度做 agentic inference engineering——三篇同时把 agent 推到生产基础设施这一层。

"foundry" 这个词最关键——意味着行业默认 agent 已经进入 mass production 阶段，需要量产模板、配置化、监控化。这跟"每个 agent 是手工小作坊"的 2023 年是两个时代。

💡 真正的 insight

去年大家在拼 agent 的 reasoning 能力（哪个能解题更好）；今年拼的是 agent harness 的可组合性、可适配性、可演化性。把 agent 想成一个软件项目：reasoning 是它的"算法"，harness 是它的"操作系统"。本周 HarnessX 直接叫自己 "foundry"——这是行业语言，已经默认 agent 进入了平台/基础设施层。

代表论文

标题三个形容词就是定位：可组合、可适配、可演化的 agent harness 工厂。

💡 insight：foundry（铸造厂）这个词暗示 agent 已经在 mass production 阶段——量产意味着模板化、配置化、监控化。这跟 2024 年"每个 agent 都是手工小作坊"是两个时代。

专门给 coding agent 训练仓库探索器——给 agent 一个项目，怎么以最少 context 找到关键文件。

💡 insight：context window 不是越大越好——上 128k token 越想包越多东西，真正稀缺的是"知道该看哪几个文件"。这是新一代 coding agent 的 differentiation。

多 agent + 多模态的 orchestration——一个总指挥 agent，子 agent 各自负责视觉/音频/代码/搜索。

💡 insight：单 agent + 多 tool vs 多 agent + 单职能，哪种好？目前 orchestration 这条路在赢——因为可观测、可调试、可独立优化。

输入 raw 数据，输出可验证的多模态故事（图表 + 文字 + 引用）。每个论点必须能 trace 回原始数据。

💡 insight：generative 内容时代，"可验证（verifiable）"是新关键词——不是只生成结果，要能 trace 来源、可被审计。这是从 demo 到生产的关键一跃。

针对 agentic task 设计的 RL 算法，从 PPO 改造，对 procedure（多步推理 + tool use）友好。

💡 insight：agent 的 RL 跟 LLM 的 RLHF 不一样——奖励信号不在每个 token，而在多步行为序列的某个点。专门算法在产生。

静态 benchmark（MMLU、HumanEval）saturate 之后，本周一组论文提出新方向——动态环境、对抗输入、长期任务。

📜 这条线的历史脉络

·2020-2022 MMLU / BIG-Bench 等通用知识 benchmark 主导，模型靠 prompt 工程就能爬榜。

·2023-2024 GSM8K / HumanEval / MATH 等推理 benchmark 主导，多步推理进入评测视野，但仍是静态题集。

·2024 ARC-AGI 提出"评测 should be 抽象推理"，但仍是固定题集；GAIA / SWE-Bench 等 agent benchmark 出现，引入工具使用维度。

·2025 LiveCodeBench / Live benchmarks 试图通过"时间窗"避免数据污染，但本质仍是答题。

·2026 本周 Beyond Markov Games / GameCraft-Bench / Epistemic Resilience 同时提出三个新方向——动态环境、构造任务、对抗 context——这是从"评测能不能答题"到"评测能不能在真实场景里活下来"的范式切换。

新评测三要素（动态 / 对抗 / 长期）一旦成为共识，整个 leaderboard 文化都会重构——因为静态 benchmark 的"分数 → 排名 → 营销"链路会失效。

💡 真正的 insight

静态 benchmark 的本质：固定问题集 + 固定答案 + 一次性评分。它们已经被 RL/数据增强吃透。新一代 eval 的共同点是：环境会变 / 输入会骗你 / 任务跨多 episode。

代表论文

设计非马尔可夫游戏环境评测 MLLM——agent 不能只看当前帧做决策，必须记住几步之前发生了什么。

💡 insight：现实世界几乎都是 non-Markov。static benchmark 都是 Markov，因为单题独立——这是 benchmark 与现实之间最大的 gap。

让 agent 在真实游戏引擎里端到端造一个可玩的游戏——从代码到资源到设计。

💡 insight：这是 agent 评测的"图灵测试 2.0"——不是回答问题，是做出一个能用的东西。

测 LLM 在误导性医学上下文下还能不能给出正确答案——既考察知识、又考察对错误信号的免疫。

💡 insight：现实 LLM 部署最大的风险不是"不知道"，是"被错误 context 带偏"。这个 benchmark 直接对准了那个 risk。

观点很大胆：LLM 的记忆不是"调取"，是"重构"——人脑也是这样。提出基于图的动态 memory 系统。

💡 insight：RAG 那一套 "retrieve top-K chunks" 假设 memory 是数据库；但人类记忆从来不是。graph memory 这条路很可能是 RAG 的下一代。

观点性论文——argue chatbot 是过渡形态，persistent autonomous "digital colleague" 才是终点。

💡 insight：persistent + autonomous 这两个关键词，跟 JoyAI-VL 的"始终在场"是同一个 vision。整个行业正在从"AI 助手回答你"过渡到"AI 同事跟你协作"。

万亿参数 agentic intelligence 的工程报告。读 architecture + inference engineering 部分。

💡 insight：万亿参数 agentic system 在落地，"agent + 大模型" 已经不是研究而是工程。

1.如果你做模型架构设计 → 读 LoopCoder-v2，理解 PLT 的 KV-cache 优化模式和 loop count 的 gain-cost 框架，作为下一代架构的设计参考。（注意：这是预训练架构，不是推理时旋钮。）

2.如果你做机器人 / VLA → 读 Geometric Action Model + ACE-Ego-0，思考自家数据里 egocentric 视频和 3D 几何信号怎么混合用。

3.如果你做 agent 平台 → 读 HarnessX + Orchestra-o1 抽 5 个工程模式（context 管理、tool 选择、多 agent orchestration、failure 恢复、observability），独立于具体框架。

4.如果你做 LLM 内部部署 → 把任务分类成"可验证 vs 不可验证"，可验证的试 3-7B + 强 RL（VibeThinker pipeline），cost 一个数量级降。

5.如果你做 evaluation → 别再做静态 benchmark，开始设计动态/对抗/长期任务。本周 3 篇 eval 论文是模板。

·数据来源：Hugging Face Daily Papers 本周 06-15 ~ 06-19

·论文聚合：PaperScope

·本周共 193 篇，本文盘点 20 篇 top（按 upvotes + 评论数 + 代表性筛选）

·完整周报 / 每日新论文：访问 https://www.paperscope.ai

为了避免单边鼓吹，我们对每条主线列一个最有力的反驳。一份周报的价值，一半在判断，一半在能不能让你看到自己看错的可能。

每篇 paper 都有一个最该用它的人。下表帮你定位：

👨‍💻 算法工程师 → "Loop / 小模型 RL pipeline / agent harness 设计模式，3 条主线值得下周直接套用。"

🤖 机器人 / 具身研究者 → "World model 终于不只是 video gen——本周 4 篇代表论文都在重新定义它在 Physical AI 里的位置。"

🏗 Agent 平台 / 创业者 → "你正在搭的 agent，本周 5 篇论文已经把工业化的工程模式画出来了。"

📊 PM / 投资人 → "从'卷模型'到'卷系统'——本周给出了具体证据。决策方向需要更新。"

⏩ 下周（1-2 周内）

1.Loop count benchmark 出炉：会有 7B/13B 模型把 loop 作为 inference time 显式参数公开，配套 benchmark（loop=1 vs loop=5 在 GSM8K / MATH 上的差异曲线）。

2.VibeThinker 复刻潮：Spectrum-to-Signal pipeline 会被多家在 1-2 周内复刻并在 LiveCodeBench / AIME 上跑分。

3.Long-horizon world model benchmark：Physical AI 缺 benchmark 这件事被多人意识到，新评测（camera-revisit consistency / 5min long horizon coherence）大概率本周出。

📅 1 个月内

4.dLLM 趋势成形：本周已经有 2 篇（Self-future distillation + Reliable Trajectories）—— dLLM 这条线 1 个月内会有 3-5 篇 follow-up，可能挑战 autoregressive LLM 在某些任务的优势。

5.Agent harness 接口标准化讨论：HarnessX、Orchestra-o1 各自定义 API，1 个月内行业会出现"agent harness interface" 类的 RFC / blog 讨论，可能由 OpenAI、Anthropic 或 LangChain 主导。

6.小模型可验证推理产品落地：3B 验证推理 frontier 出来后，1 个月内会有第一波"垂直 3B reasoning 服务"上线（SQL / 数学 / 法律推理 / 医疗逻辑判断等）。

🌅 3-6 个月

7.VLA 数据 scaling 突破：ACE-Ego-0 是开始，3-6 个月内会出现"百万小时 egocentric + 机器人混合数据"的预训练大模型，可能改写 VLA leaderboard。

8.Agent Foundry 工业化标准：HarnessX 是单论文，3-6 个月内会出现"agent foundry"作为独立产品类目（类似 K8s 之于容器编排），可能伴随并购或开源大事件。

9.静态 benchmark 集体让位：动态评测一旦被几个标杆模型采用，整个 leaderboard 文化重构——MMLU 类静态榜的引用率会显著下降，新的动态 / 长期榜成为头条。

10.Physical AI 工业产品：Kairos 这类"原生 stack" 会催生第一批针对工业场景（仓储 / 巡检 / 制造）的 Physical AI 产品发布——不是 demo，是真发货。

🔁 Loop / Test-time scaling 这条线

·基础：Dehghani et al. 2018 *Universal Transformers*（arXiv:1807.03819）—— weight sharing + adaptive computation 的奠基论文

·2024 复兴：Looped Transformers as Programmable Computers（NeurIPS 2024）—— 把 loop 当作可编程指令的视角

·背景阅读：OpenAI o1 system card 中 test-time scaling 的产品视角

🌍 World Model 这条线

·奠基：Ha & Schmidhuber 2018 *World Models*（arXiv:1803.10122）—— 这个方向的源头

·里程碑：Dreamer V3（Hafner et al. 2023, arXiv:2301.04104）—— world model + RL 的工业化样本

·背景阅读：Yann LeCun: A Path Towards Autonomous Machine Intelligence —— world model 为什么重要的总论

🤖 Agent Harness 这条线

·入门：LangGraph 文档 —— graph-based agent 编排的工业基线

·进阶：DSPy 论文（Khattab et al. 2023, arXiv:2310.03714）—— agent as program 的视角

·背景：Andrew Ng: AI Agents 2024 综述 —— agent 这一年的发展节奏

⚡ Verifiable Reasoning + 小模型

·历史：DeepSeek-R1 论文 —— RL 蒸馏的拐点

·小模型路线：Phi-3 技术报告 —— 高质量数据 + 小参数的方法论

·背景阅读：The Bitter Lesson —— 关于"scale vs 巧设计"的经典反思

🎯 评测

·历史：HELM project —— Stanford 标准化评测项目

·新方向：ARC-AGI 评测 —— 抽象推理评测的源头

·背景：Chollet 2024 *On the Measure of Intelligence*（arXiv:1911.01547）

📺 P 站内部相关阅读（互链）

·📰 上周 HF 周报：卷模型时代正式终结，AI 研究的新前沿是评测、架构和 reward 结构

·🎯 4069 篇论文透视 CVPR 2026 八大视觉趋势

·🏗 30 篇代表论文拆解：CVPR 2026 AI 基础设施 4 大工程主线

如果这篇对你有用，订阅 P 站本周持续更新：

·📰 每周 HF 周报 → P 站 Insights（每周六更新）

·🤖 接入你的 agent / Claude Code → 一行命令装 PaperScope skill

·🔍 每日新论文 → HF 入口 / arXiv 入口

·🎯 顶会专题 → CVPR 2026（4069 篇）/ ACL 2025 / NeurIPS 2025

本周三条主线（Loop / World Model / Agent Harness）的共同点是——AI 正在从"模型"过渡到"系统"。

模型还是基础，但已经不再是最稀缺的资源了。

Loop 怎么调、world model 怎么训、harness 怎么搭——这些是工程问题，不再是研究问题。

而工程问题，意味着：有标准答案，有可复用 pattern，有可量化指标。

*[由 PaperScope (P 站) 与机智流（A 站）联合署名｜2026-06-20]*

*[本周报为开源内容，欢迎转发、引用、改编。如需深度合作或定制周报，联系 https://github.com/vansin/queue/issues]*