📅 本期精选来自 2026-06-07 ArXiv 最新论文，聚焦扩散模型、世界模型、视频生成、具身AI等核心方向，共 8 篇。 📄 论文精选 Thinking with Imagination: Agentic Visual Spatial Reasoning with World Simulators 链接： https://arxiv.org/abs/2606.06476 一句话总结： 提出 Astra 框架，让 VLM 在推理时通过与世界模拟器交互主动获取"想象视觉证据"，显著提升空间推理能力。 ...
📅 本期精选来自 2026-06-06 ArXiv 最新论文，聚焦扩散模型、世界模型、视频生成、具身AI等核心方向，共 7 篇。 📄 论文精选 Thinking with Imagination: Agentic Visual Spatial Reasoning with World Simulators 链接： https://arxiv.org/abs/2606.06476 一句话总结： 提出 Astra 框架，让 VLM 在推理过程中主动调用世界模拟器生成想象视觉证据，实现真正的具身空间推理。 ...
📅 本期精选来自 2026-06-05 ArXiv 最新论文，聚焦世界模型、具身AI、视频生成、扩散模型等核心方向，共 8 篇。 📄 论文精选 World-Language-Action Model for Unified World Modeling, Language Reasoning, and Action Synthesis 链接： https://arxiv.org/abs/2606.05979 一句话总结： 提出 WLA（World-Language-Action）模型，将世界建模（视频预测）、语言推理与机器人动作生成整合到单一自回归 Transformer 框架中，2B 参数原型 WLA-0 在 RoboTwin2.0 上达到 92.94% 成功率。 ...
📅 本期精选来自 2026-06-04 ArXiv 最新论文，聚焦具身智能、世界模型、Flow Matching、VLA、3D生成与扩散模型等核心方向，共 7 篇。 📄 论文精选 GRAIL: Generating Humanoid Loco-Manipulation from 3D Assets and Video Priors 链接： https://arxiv.org/abs/2606.05160 ...
📅 本期精选来自 2026-06-03 ArXiv 最新论文，聚焦视频生成、具身智能、机器人+生成模型、多模态理解等核心方向，共 8 篇。 📄 论文精选 Humanoid-GPT: Scaling Data and Structure for Zero-Shot Motion Tracking 链接： https://arxiv.org/abs/2606.03985 一句话总结： 在 20 亿帧动捕数据上预训练 GPT 风格 Transformer，实现人形机器人全身运动追踪的零样本泛化，刷新性能上限。 ...
📅 本期精选来自 2026-06-02 ArXiv 最新论文，聚焦世界模型、视频生成、具身智能、机器人操作等核心方向，共 9 篇。 📄 论文精选 From Zero to Hero: Training-Free Custom Concept Spawning in World Models 链接： https://arxiv.org/abs/2606.02575 一句话总结： 提出 SPAWN，一种免训练的方法，可将用户指定的视觉概念（角色、道具、建筑等）无缝注入自回归世界模型，无需任何微调。 ...
📅 本期精选来自 2026-06-01 ArXiv 最新论文，聚焦扩散模型、世界模型、视频生成、具身AI等核心方向，共 8 篇。 📄 论文精选 Towards Minute-Long Consistent World Generation with Decoupled Memory 链接： https://arxiv.org/abs/2605.31336 一句话总结： 提出 DecMem——解耦记忆架构，通过稀疏全局记忆与锚定局部记忆的组合，实现分钟级别的高保真、高一致性可控视频生成，直接推进世界模型的长时序能力边界。 ...
📅 本期精选来自 2026-05-31 ArXiv 最新论文，聚焦视频生成、扩散模型、世界模型、具身AI等核心方向，共 8 篇。 📄 论文精选 VideoMLA: Low-Rank Latent KV Cache for Minute-Scale Autoregressive Video Diffusion 链接： https://arxiv.org/abs/2605.30351 一句话总结： 将 Multi-Head Latent Attention（MLA）引入视频扩散模型，用低秩潜变量替换每个注意力头的 KV 缓存，显著降低流式视频生成的内存占用，同时维持甚至超越基线质量。 ...
📅 本期精选来自 2026-05-30 ArXiv 最新论文，聚焦视频扩散、流式生成、世界模型因果推理、4D运动生成、多模态数字人等核心方向，共 10 篇。 📄 论文精选 VideoMLA: Low-Rank Latent KV Cache for Minute-Scale Autoregressive Video Diffusion 链接： https://arxiv.org/abs/2605.30351 ...
📅 本期精选来自 2026-05-29 ArXiv 最新论文，聚焦视频世界模型、扩散模型加速、具身智能、4D生成等核心方向，共 10 篇。 📄 论文精选 minWM: A Full-Stack Open-Source Framework for Real-Time Interactive Video World Models 链接： https://arxiv.org/abs/2605.30263 一句话总结： 提出 minWM，一个端到端开源框架，将现有双向视频扩散基础模型转化为可实时交互的因果自回归世界模型，支持相机控制与低延迟推理。 ...