**WM^MLLM:首个基于多模态大模型的交互式世界模型**

_WM^MLLM: Turning MLLMs into World Models_

> WM^MLLM 是首个基于多模态大语言模型(MLLM)构建的交互式世界模型,能够从单张图像生成持久且可编辑的虚拟世界。该模型将世界状态作为带有修订历史的全景图存储在大模型之外,由 MLLM 负责管理状态更新,图像生成器仅负责生成视图,视频生成器负责呈现。相比现有基线,WM^MLLM 在环境恢复和编辑任务中表现最优,并完美通过了所有重访和局部编辑的一致性检查。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:ai-models
- **发布时间**:2026-11-20 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2611.24193)