FaceMind提出LoopWM世界模型 参数共享循环架构实现百倍效率
LoopWM将计算深度与参数规模解耦，用循环共享算子提高世界模型效率，是物理模拟领域的关键进展。
世界模型面临长程模拟误差累积和参数膨胀的矛盾。LoopWM通过重复使用同一Transformer模块迭代更新潜状态，让模型“按需思考”：简单步骤少算，复杂步骤多算。在保持稳定长程rollout的同时，参数效率最高提升100倍。
正文摘录
.jpg)  在世界模型这条路上，行业一直卡在一个几乎无解的矛盾里：想要更真实的长程模拟，就必须给模型更深的计算；可一旦把模型做得更深，部署成本、参数规模和误差累积又会迅速抬头。结果就是，大家都知道世界模型要 “想得更久”，却很难让它在现实系统里 “算得起、跑得稳”。 脸谱心智的这份技术报告想解决的，正是这个老问题。为此，他们提出了 Looped World Model (LoopWM)：一种面向世界建模的循环式架构。它不靠无止境地堆参数来换能力，而是让同一个参数共享的 Transformer 模块在潜空间里反复迭代，对环境状态进行逐步精炼。换句话说，不是简单把模型 “做大”，而是让模型在关键时刻 “多想几轮”。 如果把这件事说得更直白一点：传统世界模型更像是一锤子买卖 —— 每个状态转移都分配固定计算量，不管这个转移是简单还是复杂；而 LoopWM 想做的，是让模型拥有一种 “按需思考” 的能力。简单步子少算一点，复杂步子多算几轮，把计算真正花在需要它的地方。