Loop 世界模型论文登顶 Hugging Face，来自中国一家初创，周鸿祎陆奇都投了

📌 一句话摘要

本文报道中国初创公司 FaceMind Research Asia 的 Looped World Models（LoopWM）论文登顶 Hugging Face Papers，介绍其通过共享参数循环迭代实现世界模型参数效率 100 倍提升，并披露公司背景与投资方。

📝 详细摘要

文章围绕近日爆红的 Loop Engineering 与更前沿的 Looped World Models（LoopWM）展开。首先解释了 Loop Engineering 为何火热——让 AI 从单次对话转向“行动-观察-推理-行动”的闭环，适用于 Agent 场景。随后切入核心：LoopWM 论文由中国初创公司 FaceMind Research Asia（脸谱心智）发表，在 Hugging Face Papers 登顶当日第一。文章详细阐述了 LoopWM 的技术原理——通过共享参数的 Transformer 模块对潜在状态反复细化，实现“迭代潜空间深度”这一新扩展维度，在参数效率上最高提升 100×，单步推理 FLOPs 减少约 25×，长时程 rollout 整体计算节省达两个数量级。在 ScienceWorld 基准上，LoopWM 以更小模型比肩参数量高两个数量级的大模型。此外，文章介绍了团队背景（95 后博士陆弘远等）、融资情况（数千万元 Pre-A 轮，星连资本领投，360 超额跟投，奇绩创坛参股），并引用了星连资本合伙人、360 投资负责人的评价。文章最后将 LoopWM 置于 Agent 时代演进脉络中，指出其意义在于让 AI 从执行工具迈向世界建模系统，定义 AI 如何在持续运行中真正理解世界。

💡 主要观点

- Loop Engineering 让 AI 从单次对话转向持续闭环执行，而 LoopWM 将循环思想引入世界模型本体。 Loop Engineering 以工作流为核心，使 AI 能够自我执行、检查、修正；LoopWM 更进一步，通过共享参数的循环迭代对世界状态进行反复精细化建模，提升长时序预测的稳定性与计算效率。

LoopWM 通过共享参数循环实现 100 倍参数效率提升，开辟了“迭代潜空间深度”这一新扩展维度。 传统世界模型依赖堆叠深度以提升模拟质量，但面临参数爆炸与误差累积；LoopWM 复用同一 Transformer block 对潜在状态迭代细化，计算深度随任务复杂度动态调整，在 ScienceWorld 上以更小模型比肩大两个数量级的模型。

该论文由一家中国初创公司完成，并获星连资本、360 及奇绩创坛投资，体现本土 AI 人才密度。 FaceMind Research Asia 由陆弘远、韦怡然创立，早期做端侧多模态，后转向世界模型。团队兼具扎实研究能力与工程落地能力，其提出的 Adam's Law 曾获 Anthropic 关注。

LoopWM 的意义在于将 Agent 的“执行能力”提升为“世界建模能力”，是通向空间智能与具身智能的关键基础设施。 文章指出，AI 在长链路、动态环境中维持稳定推演是其上限所在。LoopWM 提供了一套让 AI 在推进过程中对世界状态进行反复、稳定、按需计算的机制，与李飞飞强调的空间智能、物理理解一脉相承。

💬 文章金句

- 高保真的长时程模拟需要深度计算，但模型越深，部署代价越高，误差累积的风险也随之上升。

• 世界模型变强，以后未必只能靠'更大'，也可以靠'更会反复想'。
• 它不是'用更大的模型赢了'，而是用更聪明的计算方式赢了部分关键任务。
• Prompt Engineering 定义了 AI 如何回应人，Loop Engineering 定义了 AI 如何持续做事，而 Looped World Models 定义的，可能是 AI 如何在做事时真正理解世界。

📊 文章信息

AI 初评：86

来源：量子位

作者：思邈

分类：人工智能

语言：中文

阅读时间：15 分钟

字数：3611

标签： 世界模型, AI Agent, 循环架构, 模型架构, AI论文

阅读完整文章