斯坦福 Ψ-0.6：统一视觉-语言世界模型自适应切换推理流

Stanford · hf · 2026-10-28

斯坦福团队（Daniel Yamins 组等）发布 Ψ-0.6，一个统一的视觉-语言世界模型，通过「streams of thought」机制在同一推理过程中自适应组合感知、语言、几何与模拟：所有中间表示（包括显式几何）都通过共享 token 接口生成与解释。

亮点：在多视角空间推理上零样本超越领先的开放权重模型；支持反事实模拟——生成并解读想象场景来判断（如移动物体是否会挡路）。用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，在 VQA 上有提升且能迁移到未见基准。