arXiv cs.AI· Khai Loong Aw, Klemen Kotar, Baihan Zhang, Yifan Liu, Lilian Chen, Atlas Kazemian, Rahul Venkatesh, Daniel Yamins·· 11 小时前AI 评分50
Ψ-0.6：统一视觉-语言世界模型中的自适应思维流
$\Psi$-0.6: Adaptive Streams of Thought in a Unified Vision-Language World Model
AI 导读
Ψ-0.6 是一个统一视觉-语言世界模型，能在共享推理过程中自适应组合感知、语言、几何与模拟，以交错的图像、文本及几何运动显式表示构成“思维流”。它在多视图空间推理上零样本超越领先开源权重模型，借助几何中间表示可进一步提升，并支持反事实模拟。基于任务反馈的强化学习联合优化中间表示的选择、生成与使用，提升视觉问答准确率且增益可迁移到未见基准。
正文 · AI 翻译
摘要：人类在问题展开的过程中，会灵活组合不同形式的推理来对物理世界进行推理。实现这种灵活性是 AI 面临的一项重大开放挑战：各项能力往往分散在专门的模型中，限制了它们如何被组合并联合适配到一项任务上。我们提出 $\Psi$-0.6，一个统一的视觉-语言世界模型，它在我们称为思维流（streams of thought）的共享推理过程中自适应地组合感知、语言、几何与仿真。这些思维流将图像、文本以及几何与运动的显式表示交织在一起，而模型能够通过共享的 token 接口生成并解读所有这些内容。$\Psi$-0.6 在多视图空间推理上零样本超越了领先的开放权重模型，并通过几何中间表示进行推理而获得进一步提升。它还支持反事实仿真：生成并解读想象出的场景，以判断例如移动某个物体是否会阻挡通路。基于任务反馈的强化学习联合优化中间表示的选择、生成与使用，提升视觉问答准确率，且这些增益可迁移到未见过的基准上。$\Psi$-0.6 为自适应物理推理提供了一条路径——不仅预测物理世界，还选择用于推理的表示。
| 学科： | 人工智能（cs.AI）；计算机视觉与模式识别（cs.CV）；机器学习（cs.LG） |
| 引用为： | arXiv:2610.32177 [cs.AI] |
| （或 arXiv:2610.32177v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32177 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Khai Loong Aw [查看邮箱]
[v1]
2026年10月23日星期五 05:24:02 UTC（13,260 KB）
来源：arXiv cs.AI · arxiv.org