智能AI
evening
Loop世界模型论文登顶Hugging Face,来自中国一家初创,周鸿祎陆奇都投了
2026-07-01
1 阅读
约9分钟阅读
思邈
字号:
< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400"> Loop世界模型论文登顶Hugging Face,来自中国一家初创,周鸿祎陆奇都投了 思邈 2026-07-01 15:24:48 来源: 量子位 重写“AI如何反复推演世界” 允中 发自 凹非寺 量子位 | 公众号 QbitAI Prompt还没退场,Loop已经开始接管AI叙事。 这两周,硅谷开发者圈最热的词之一,是 Loop Engineering 。 它讲的是一件很“Agent时代”的事:别再手动一轮轮prompt模型了,去设计一个循环系统,让AI自己执行、检查、修正、继续跑,直到任务完成。 传统模式以prompt为核心,现在开始转向以 工作流 为核心,这也是它突然爆红的原因。 而就在大家热议“怎么让AI自己跑起来”时,另一条更硬的线也在快速升温: Looped World Models(循环世界模型) ,简称 LoopWM 。 如果说Loop Engineering解决的是“AI怎么持续干活”,那LoopWM更像是在回答一个上限更高的问题: AI在持续干活时,能不能做到持续理解、修正、推演它所面对的世界。 这也是为什么,它虽然名字里也有“Loop”,但其展现出的技术含金量和想象空间,明显不是一个量级。 它登上了 Hugging Face Papers当日Top1 ,现已进入了AI社区更广泛的公共讨论。 Loop Engineering为什么突然火了 Loop Engineering为什么会火,其实很好理解。 因为单次对话适合问答,不适合复杂任务。 真要让AI去写代码、调试、调工具、看结果、修bug、再验证,它必须进入一个 “行动—观察—推理—继续行动” 的闭环。 换句话说,AI不再只是“答你一句”,而是开始 “围绕目标持续推进” 。 这正是今天Agent热的底层逻辑之一。 Google Chrome工程负责人Addy Osmani,引用过一个挺直白的判断: 你不该再亲自prompt agent,而该去设计那个prompt agent的loop。 在这套叙事里,人从“亲自操作模型的人”,变成 “设计自动化系统的人” 。 这也是Loop Engineering特别像硅谷热词的地方:它不是一个技巧,是一次身份迁移。 人从提示者,变成了系统设计者。 但问题也随之出现。 会循环,不等于会理解。 一个Agent可以不断调接口、读日志、改参数、反复试错,但如果它对环境状态、动态变化、因果关系没有更稳定的建模能力,它仍然更像一个“更勤奋的自动执行器”,而不是真正具备世界理解能力的系统。 也正因此,LoopWM才显得格外关键和重要,它是在 重写“AI如何反复推演世界” 。 这件事,被一家中国叫脸谱心智的初创公司做了 接下来,让我们深扒一下是谁做了这件事: 论文作者 FaceMind Research Asia(脸谱心智) ,是这篇文章的通讯机构。 据了解,公司已完成 数千万元Pre-A轮融资 ,投资方为星连资本,老股东360超额跟投,陆奇的奇绩创坛也参股了。 公司由95后博士 陆弘远 及 韦怡然 创立,团队早期从端侧全模态模型切入,随后将重心转向更底层的世界模型研究。 相比只会生成内容的大模型,世界模型更强调对环境、界面与任务过程的持续理解和预测,这也被视为AI走向GUI Agent、具身智能与机器人场景的重要基础。 围绕这一方向,脸谱心智正通过循环迭代、参数高效的模型架构,提升模型在长时序预测、屏幕理解和具身任务中的稳定性,并已在仿真具身环境、GUI Agent环境和真机机械臂环境中展开验证。 一家年轻公司,正在试着把“理解世界”这件事,做成下一代AI基础设施的一部分。 对此,星连资本合伙人李文珏表示,脸谱心智团队最突出的特点,是 兼具扎实的研究能力和复杂工程落地能力 。 团队核心成员长期深耕人工智能底层技术,既能对前沿方向形成独立判断,也能快速将研究成果放入真实场景中验证。“我们看好的是一支人才密度高、技术判断前瞻、执行能力很强的团队。” 在李文珏看来,陆弘远身上兼具年轻研究者的探索欲和创业者的行动力,能够带领团队持续挑战高难度问题,并将技术判断转化为明确的研发方向。 △脸谱心智Founder陆弘远 这种创始人特质和团队凝聚力,是星连资本决定投资的重要原因。 脸谱心智的投资方360集团投前负责人向其奇表示:“陆博士是我见过最顶尖的年轻AI研究者之一。” 在他看来,陆弘远关注的并非局部优化,而是 模型底层原理和架构创新 。 当行业还在讨论世界模型概念时,脸谱心智已经从零训练世界模型,并在多种benchmarking上得到了行业SOTA级别成果。 此后,陆弘远提出的 Adam’s Law 受到海外头部模型厂商Anthropic的关注和验证,团队最新提出的Loop循环架构则进一步探索世界模型长时序训练问题。 “迭代速度惊人。每次沟通前,我都会先去看他们最新发布的论文和技术报告。”向其奇感慨,从他们身上真正体会到了什么叫做“一次投资,终生学习”。 关于为什么是一家中国的初创公司能做出这样一项工作,陆弘远回答: 中国现在是一个高密度AI人才的国家,这是我们能做出一篇划时代的世界模型工作的主要原因之一。 FaceMind未来也会被更多的国际视野所捕捉,就像他们的工作前几周刚刚在X上被Anthropic/Facebook的投资人Accel点赞了。 论文到底做了什么? 说得直白一点,LoopWM干的事是: 不再让模型一次前向传播就把世界状态“猜完”,而是让它通过共享参数的Transformer模块,对潜在环境状态做反复迭代细化。 这背后有个很实际的矛盾。 要做高质量、长时程的环境模拟,计算必须足够深;但模型一旦做深,参数量和推理成本就会一起飙升。 而且rollout越长,误差越容易层层累积,最后把整个模拟拖垮。 论文里的原话是: faithful long-horizon simulation demands deep computation, but deeper models are expensive to deploy and prone to compounding errors。(高保真的长时程模拟需要深度计算,但模型越深,部署代价越高,误差累积的风险也随之上升。) LoopWM的思路是,把“深度”从一次性堆叠,改成 循环式复用 。 它不用每加深一点能力就新增一大堆参数,而是通过 共享参数的transformer block ,对同一个latent state(潜空间表示)反复做refinement(细化)。 简单场景少跑几轮,复杂场景多跑几轮,计算深度开始跟随任务复杂度动态变化。 论文把这件事概括成一条新的scaling axis(扩展维度):iterative latent depth(迭代潜空间深度),独立于模型规模和训练数据之外。 世界模型变强,以后未必只能靠“更大”,也可以靠 “更会反复想” 。 数字是最有说服力的部分。论文给出的结论包括: 参数效率最高可实现
这篇文章对您有帮助吗?
订阅66必读
每日精选科技资讯,直达你的邮箱