arXiv · cs.AI· Dongjie Cheng, Ruifeng Yuan, Ran Wei, Ning Song, Yongqi Li, Wenjie Li·· 7 小时前
CoWorld Reasoner：通过视频世界模型驱动工具框架进行智能体多模态推理
CoWorld Reasoner: Agentic Multimodal Reasoning with the Evolving Video World Model-Driven Harness
arXiv:2610.21910v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Dongjie Cheng, Ruifeng Yuan, Ran Wei, Ning Song, Yongqi Li, Wenjie Li
研究任务与主要进展
CoWorld Reasoner 提出一种以视频世界模型为统一视觉推理引擎的智能体框架，通过工具和技能引导视觉语言模型选择视觉操作、生成证据并完成时空推理。基于论文摘要，该方法在覆盖空间智能、时序与因果推理及感知推理的七个基准上优于同一VLM的直接推理，最强变体在MMSI和ERQA上分别取得11.8%和13.0%的相对准确率提升，并在五个基准上超过五个使用相同骨干的演化基线。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org