港理工发布 CoWorld Reasoner：用视频世界模型驱动的智能体视觉推理框架
ModalityDance · hf · 2026-10-16
香港理工大学等机构提出 CoWorld Reasoner，一个以视频世界模型（VWM）为统一视觉推理引擎的 agentic 多模态推理框架。
- 动机：VLM 越来越需要在图像之外对运动、动作和视角变化做时空推理；VWM 能生成任务相关的视觉内容作为补充证据，但现有方法多通过固定管线（如新视角合成）调用，想象力形式被预先定义
- 框架的 VWM-Driven Harness 通过工具暴露多种视觉操作，并用 skills 引导 VLM 决定何时想象、选择操作、构造生成请求、解读视觉证据
- 进一步提出 VLM-VWM Harness 共同进化：联合修订工具、skills 与生成策略，使视觉想象随推理任务灵活演化
「多模态」频道最新
- 独立创作者用 AI 原生工作流做出一部动画短片集 — ComprehensiveLime654 · 2026-10-16
- Ideogram 暗示图像模型 4.5 将至,被追问开放权重时回应「快了」 — East_Shoe8814 · 2026-10-16
- 网友实测：Opus 5.5 生成竖屏视频完成度惊人 — FinanceYF5 · 2026-10-16
- 「星海幻梦」提示词模板：星空与海洋的梦幻融合 — LudovicCreator · 2026-10-16
- 「丰满小红帽」音乐剧：AI 创作者的圆梦之作 — bennash · 2026-10-16
- PixelLab 亮招：一键搞定 ComfyUI 模型去重与坏工作流修复 — SmartRick137 · 2026-10-16