Duo v1 是一个全双工世界模型，它在持续接收用户音视频的同时实时生成助手的声音与画面。此前的世界模型多把智能放在世界之外，用户只能靠键盘、鼠标或文本提示操控场景，世界内部没有谁实时感知用户并决定如何回应。Duo v1 把交互切成 17 帧（24 fps 下约 0.71 秒）的块，由语言意图模块逐块决定说话还是等待，再由因果音视频模块生成对应的声音与画面；在 30 个实时双工案例、6 项二元标准的 180 次检查中通过 168 次，其中语言、语音清晰度和视觉身份三项共 90 次全部通过，内容回应性为 73.3%。
InertiaMPDD把抑郁筛查从单一录音级标签扩展为“与健康参照的偏离”这一可测量证据：它用冻结的多模态表征训练一个预测下一状态的潜变量预测器，再从预测残差中提取参照偏离、残差衰减率和雅可比谱半径三个描述量，用于独立筛查或对人群判定做个体校正。在四个数据集的五个队列上，融合路径在D-Vlog上达到98.41 F1、在LMVD上达到84.98 F1；但在AVEC2014上，参照描述量的区分能力较弱，融合F1为66.67。
分层联合嵌入预测架构（H-JEPA）此前靠测试时对动作做梯度下降来规划，迭代求解器在长程任务上占去单回合运行时间的96.6%–97.7%。WARP-JEPA在保持世界模型冻结的前提下，用学习到的多候选轨迹提议器替代在线优化，并在生成循环内调用冻结预测器完成候选打分。在30个冻结的2、3、4层模型、四个基准上，长程任务单回合推理加速9.6–18.8倍（Cube上为2.9–3.0倍），任务成功率最高提升33.3个百分点。
在Replogle K562的509个未见扰动上，GEARS预测转录组与观测的全局皮尔逊相关达0.977，但把对照基线减掉、只看扰动引起的增量后只剩0.076；对每个扰动都预测训练集平均增量的平凡基线反而达到0.267。这一差距源于全局相关被数千个不响应基因主导，因此增量空间评估被提为主要基准，并给出两种无需重训的事后校正与一个定位残差来源的检索上界。
英伟达把世界基础模型的训练、优化与推理打包成 Cosmos Framework，并配上一组可由 AI 智能体调用的技能和可直接运行的检查点。此前开发者要把模型适配到自己的传感器、动作空间和数据上，再让它稳定地进到应用里，两件事各自都要重做一遍。新放出的 Cosmos 3 Nano 仿真配方覆盖自动驾驶、机器人和手术三类场景：Transfer-Auto 参考运行在四块 GPU 上生成七路 720p 视频与 99 帧激光雷达，Sim-Auto 则把它蒸馏成少步因果模型，按驾驶策略的输入逐步生成观测并回送给策略，用于闭环评估。
Ai2 发布 ToyBlocks，一个围绕机械臂与桌面方块搭建的开源仿真框架，属于其 FoundationWorlds 计划的首个受控世界。它自动生成任务与演示数据，让研究者能改变训练数据、重复实验并追踪失败原因。在真机测试中，仅用仿真数据训练的底层技能模型 ManiFlow 在仿真与真实环境中的成功率分别为 80.0% 和 81.1%，而高层规划加底层执行的组合系统在仿真中为 55.5%、真机为 50.0%。
AffectWorld把情绪当作驱动未来世界变化的因果变量来评测世界模型，五个当前最好模型在1498段日常视频上世界状态变化得分只有0.100–0.280，反事实情绪敏感度仅0.027–0.070。
机器人世界模型HF-WM把人类第一视角操作视频和扰动出的失败动作一起训练，在动作条件视频生成上取得当前最好结果，并让预测成功率与真机部署表现高度一致。
潜空间世界模型用终点欧氏距离给候选动作排序时，若最短轨迹在必经节点处出现锐角弯折，即使预测完全准确，退步的候选也会被排在真正前进的候选之前。
世界模型做长程规划时不再只靠CEM、MPPI这类优化器，改用采样式树搜索在潜空间里扩展，仿真中规划时间最多降到13.8分之一，真机推块成功率提高20%。