CoWorld Reasoner：基于智能体的多模态推理与演进式视频世界模型驱动框架

arXiv 2026 40.1 method, system

TLDR

CoWorld Reasoner以视频世界模型为视觉推理引擎，通过工具与技能协同进化，提升多模态推理能力。

评分理由

The paper presents a strong empirical evaluation across seven benchmarks and an original co-evolution method that updates tools and skills without changing model weights. However, the abstract gives little detail on limitations, implementation costs, or potential instability in the co-evolution process.

Read-first 评分解释

综合优先阅读分 40.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 44。

近期性 5%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 15%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基线、基准、评估、结果

主题相关性 25%

62.9

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 15%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

图谱声望 15%

10.9

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0031

引用影响力 15%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 10%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：471。

关键词评分

video world model

world model

generative world model

interactive world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

Agentic框架，使用视频世界模型作为统一视觉推理引擎，实现灵活视觉想象。
Video World Model-Driven Harness通过工具暴露多种视觉操作，并利用技能引导VLM决定是否想象、选择操作、构建生成请求和解读视觉证据。
VLM-VWM Harness Co-Evolution：在保持模型权重固定不变的情况下，基于执行反馈联合修订工具、技能和执行代码。
支持超越固定流水线（如新视角合成）的灵活视觉想象。

方法

CoWorld Reasoner通过工具和技能构成的harness将VLM与Video World Model耦合：VLM决定是否想象、选择视觉操作、构建生成请求并解读生成的视觉证据。在VLM和VWM权重固定的情况下，基于执行反馈联合修订工具、技能和执行代码。评估使用七个基准，涵盖空间智能、时间与因果推理、感知推理，基线包括直接VLM推理和使用相同backbone的五个演化基线。

关键结果

CoWorld Reasoner优于使用相同VLM的直接推理；最强变体在全部七个基准上均有提升，MMSI相对准确率提升11.8%，ERQA提升13.0%，并在五个基准上优于使用相同backbone的所有五个演化基线。

资源

论文