脸谱心智循环世界模型登顶 Hugging Face 论文榜，完成数千万元融资
中国初创提出循环世界模型，通过反复迭代潜空间表示，以百倍参数效率提升 AI 对环境的持续理解能力。
传统大模型一次前向传播猜测世界状态，脸谱心智的循环世界模型（LoopWM）用共享 Transformer 模块对潜空间表示反复细化，在 ScienceWorld 测试中以少两个数量级的参数比肩更大模型。这项技术引入“迭代潜空间深度”作为新的扩展维度，让 AI 在长时序任务中更稳定地理解环境。
正文摘录
它讲的是一件很 “Agent 时代” 的事：别再手动一轮轮 prompt 模型了，去设计一个循环系统，让 AI 自己执行、检查、修正、继续跑，直到任务完成。 传统模式以 prompt 为核心，现在开始转向以 工作流 为核心，这也是它突然爆红的原因。 而就在大家热议“怎么让 AI 自己跑起来”时，另一条更硬的线也在快速升温： Looped World Models（循环世界模型），简称 LoopWM 。 如果说 Loop Engineering 解决的是“AI 怎么持续干活”，那 LoopWM 更像是在回答一个上限更高的问题： 这也是为什么，它虽然名字里也有“Loop”，但其展现出的技术含金量和想象空间，明显不是一个量级。 它登上了 Hugging Face Papers 当日 Top1 ，现已进入了 AI 社区更广泛的公共讨论。 真要让 AI 去写代码、调试、调工具、看结果、修 bug、再验证，它必须进入一个 行动—观察—推理—继续行动 的闭环。 Google Chrome 工程负责人 Addy Osmani，引用过一个挺直白的判断： 你不该再亲自 prompt agent，而该去设计那个 prompt agent 的 loop。 这也是 Loop Engineering 特别像硅谷热词的地方：它不是一个技巧，是一次身份迁移。 一个 Agent 可以不断调接口、读日志、改参数、反复试错，但如果它对环境状态、动态变化、因果关系没有更稳定的建模能力，它仍然更像一个“更勤奋的自动执行器”，而不是真正具备世界理解能力的系统。 也正因此，LoopWM 才显得格外关键和重要，它是在 重写“AI 如何反复推演世界” 。 论文作者 FaceMind Research Asia（脸谱心智） ，是这篇文章的通讯机构。