6.4
深览指数
科技微博·量子位··AI 生成
Loop世界模型论文登顶Hugging Face，来自中国一家初创
本文介绍了中国初创公司脸谱心智提出的Looped World Models（LoopWM）论文，该论文登顶Hugging Face Papers榜首。文章对比了Agent工作流中的Loop Engineering与更底层的循环世界模型，指出后者通过在潜空间做反复迭代细化，实现了最高100倍的参数效率提升和两个数量级的推理成本节省，为世界模型提供了一条超越参数堆砌的新Scaling法则。文章还介绍了公司背景、融资情况和团队成员。适合关注AI前沿架构、世界模型、Agent技术的读者阅读。原文 ↗
核心观点
- ▍LoopWM的核心贡献是将Loop概念从Agent工作流推进到世界模型本体，通过共享参数的Transformer模块反复迭代细化潜空间状态，为世界模型提供了一条超越参数堆砌的Scal ing新维度：迭代潜空间深度。
- 01LoopWM在参数效率上最高可实现100×提升；对于简单状态转移，单步推理FLOPs可减少约25×；在长时程rollout中，整体计算节省最高可达两个数量级。
- 02在ScienceWorld基准测试上，LoopWM能在world modelling垂类任务上，比肩参数量高出两个数量级的更大模型。
- 03论文作者为95后博士陆弘远及韦怡然创立的公司FaceMind Research Asia（脸谱心智），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，奇绩创坛也参股。
- 04作者陆弘远提出的Adam's Law曾受到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。
反方 / 局限
- — 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。文章暗示了当前Agent的局限性。
脸谱心智FaceMind Research AsiaLoopWMLooped World ModelsLoop Engineering迭代潜空间深度世界模型陆弘远韦怡然星连资本360奇绩创坛AnthropicHugging FaceScienceWorld
8 分钟 · 5 卡片 · 11 资料
读原文 →