中国初创公司Loop世界模型论文登顶Hugging Face

Prompt尚未退场，但Loop已逐步主导AI叙事走向。

过去两周，硅谷开发者圈最受关注的概念之一，就是Loop Engineering。它讲述了一个典型的“Agent时代”故事：别再手动一次次向模型输入prompt，而是设计一套循环系统，让AI自主执行、检查、修正、持续运行，直至任务完成。

传统模式以prompt为核心，如今正加速转向以工作流为核心。这也解释了其突然走红的原因。

就在业界热议“如何让AI自主运转”之际，另一条更硬核的技术路线也迅速升温：Looped World Models（循环世界模型），简称LoopWM。如果Loop Engineering回答的是“AI如何持续工作”，那么LoopWM则是在回应一个上限更高的问题：AI在持续工作时，能否做到对环境持续理解、修正与推演？

正因如此，虽然名称中也包含“Loop”，但其技术含量与想象空间显然不可同日而语。该论文登上Hugging Face Papers当日Top1，已进入AI社区更广泛的公共讨论视野。

Loop Engineering为何突然走红

Loop Engineering的爆火并不难理解。单次对话适合问答场景，却难以胜任复杂任务。要让AI真正写代码、调试、调用工具、观察结果、修复Bug、再次验证，它必须进入一个“行动—观察—推理—再行动”的闭环。换言之，AI不再仅仅是“回应你一句话”，而是开始“围绕目标持续推进”。这正是当前Agent热的底层逻辑之一。

Google Chrome工程负责人Addy Osmani曾引用过一个相当直白的判断：你不应该再亲自给agent写prompt，而应该去设计那个给agent写prompt的loop。

在这一叙事中，人从“直接操作模型的人”转变为“设计自动化系统的人”。这也是Loop Engineering特别像硅谷热门词汇的原因：它并非一个技巧，而是一次身份迁移。人从提示者，变成了系统设计者。

然而问题也随之浮现：会循环，不等于会理解。一个Agent可以不断调用接口、读取日志、调整参数、反复试错，但如果它无法对环境状态、动态变化、因果关系建立稳定的建模能力，它仍然更像一个“更勤奋的自动执行器”，而非真正具备世界理解能力的系统。

正因如此，LoopWM才显得尤为关键——它正在重新定义“AI如何反复推演世界”。

这件事，被一家中国初创公司脸谱心智做到了

接下来，我们深挖一下背后的团队：论文作者FaceMind Research Asia（脸谱心智），是该文的通讯机构。

据悉，该公司已完成数千万元Pre-A轮融资，投资方为星连资本，老股东360超额跟投，陆奇的奇绩创坛也参与出资。公司由95后博士陆弘远和韦怡然联合创立，团队早期从端侧全模态模型切入，随后将重心转向更底层的世界模型研究。

相比仅能生成内容的大模型，世界模型更强调对环境、界面与任务过程的持续理解与预测，这被视为AI走向GUI Agent、具身智能与机器人场景的重要基石。围绕这一方向，脸谱心智正通过循环迭代、参数高效的模型架构，提升模型在长时序预测、屏幕理解与具身任务中的稳定性，并已在仿真具身环境、GUI Agent环境以及真机机械臂环境中开展验证。这家年轻公司正尝试把“理解世界”打造成下一代AI基础设施的关键组成部分。

对此，星连资本合伙人李文珏评价道，脸谱心智团队最突出的特点是兼具扎实的研究能力与复杂的工程落地能力。团队核心成员长期深耕人工智能底层技术，既能对前沿方向形成独立判断，也能快速将研究成果放入真实场景验证。“我们看好一支人才密度高、技术判断前瞻、执行能力强的团队。”

在李文珏看来，陆弘远兼具年轻研究者的探索欲与创业者的行动力，能带领团队持续挑战高难度问题，并将技术判断转化为明确的研发方向。

△脸谱心智Founder陆弘远

这种创始人特质与团队凝聚力，是星连资本决定投资的重要原因。

脸谱心智的投资方360集团投前负责人向其奇表示：“陆博士是我见过最顶尖的年轻AI研究者之一。”在他看来，陆弘远关注的并非局部优化，而是模型底层原理与架构创新。当行业仍在讨论世界模型概念时，脸谱心智已从零开始训练世界模型，并在多项基准测试中取得行业SOTA级别成果。

此后，陆弘远提出的Adam's Law受到海外头部模型厂商Anthropic的关注与验证，团队最新提出的Loop循环架构则进一步探索世界模型的长时序训练问题。

“迭代速度惊人。每次沟通前，我都会先去看他们最新发布的论文和技术报告。”向其奇感慨，从他们身上真正体会到了什么叫“一次投资，终生学习”。

关于为什么是一家中国初创公司能做出这样一项工作，陆弘远回答：中国如今是高密度AI人才的国家，这是我们能做出划时代世界模型工作的主要原因之一。FaceMind未来也将被更多国际视野关注，正如他们前几周的工作刚在X上被Anthropic/Facebook的投资人Accel点赞。

论文到底做了什么？

说得直白一点，LoopWM的核心就是：不再让模型通过一次前向传播就“猜完”世界状态，而是借助共享参数的Transformer模块，对潜在环境状态进行反复迭代细化。

这背后存在一个实际矛盾：要实现高质量、长时程的环境模拟，计算必须足够深；但模型一旦加深，参数量与推理成本就会同步飙升。而且rollout越长，误差越容易层层累积，最终导致整个模拟崩溃。

论文原话是：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。

LoopWM的思路是把“深度”从一次性堆叠改为循环式复用。它不通过每增加一层能力就新增大量参数，而是利用共享参数的transformer block，对同一个latent state（潜在状态表示）反复做refinement（细化）。简单场景少跑几轮，复杂场景多跑几轮，计算深度开始随任务复杂度动态调整。

论文将这一思路概括为一条新的scaling axis（扩展维度）：iterative latent depth（迭代潜在表示深度），独立于模型规模与训练数据之外。世界模型变强，未来未必只能靠“更大”，也可以靠“更会反复思考”。

数字是最具说服力的部分。论文给出的结论包括：参数效率最高可实现100×提升；对于简单状态转移，单步推理FLOPs可减少约25×；在长时程rollout中，整体计算节省最高可达两个数量级。这些并非“说法上的优化”，而是直接指向部署成本、推理效率与长程稳定性的核心指标。

根据论文报告，在ScienceWorld基准测试上，LoopWM能在world modelling垂类任务中，比肩参数量高出两个数量级的更大模型。这意味着它并非“用更大的模型取胜”，而是用更聪明的计算方式赢得了部分关键任务。

这不只是Agent升级，而是AI认知层在换挡

AI社区中正弥漫一种愈发清晰的焦虑：光会说话不够，光会调用工具也不够，真正的难点在于长链路、动态环境、复杂反馈中维持稳定的推演能力。Loop Engineering对此给出的答案是闭环，让AI能够自主推进。LoopWM则走得更远：给AI一套机制，使其在推进过程中对世界状态进行反复、稳定、按需的计算。

X上关于LoopWM的讨论也从侧面印证了这件事的分量。社区的注意力并未停留在“100×参数效率”这一口号上，而是聚焦在几个更本质的技术词汇上：shared transformer block（共享Transformer模块）、adaptive compute（自适应计算）、spectral stability（谱稳定性）、deferred decoding（延迟解码）、iterative latent depth（迭代潜在表示深度）……这些词汇背后指向同一个判断：世界模型或许终于找到了一条比“继续堆参数”更优雅的进化路径。

过去一年，Agent最大的变化是让AI从“回答工具”变为“执行工具”。LoopWM指向的变化更进一步：从“执行系统”迈向“世界建模系统”。前者解决效率问题——如何减少人工、增加自动化；后者解决的是上限问题——当AI真正进入机器人、仿真训练、空间交互等复杂环境时，它依靠什么来维持对世界的连续理解。

李飞飞在谈到空间智能时指出，当前的大语言模型擅长处理语言，却缺乏对物理世界真正扎根的理解；而世界模型正是通向这种空间与物理理解的重要基础设施。LoopWM的意义就在这条线上：它把Loop这一原本属于Agent工作流的概念，第一次明确推进到world model本体中，换的是一套增长逻辑，而非修修补补。

硅谷先热议的是Loop Engineering——贴近开发者体验，也更符合“让AI自己跑起来”的叙事。但把时间拉长，真正值得反复关注的，可能反而是Looped World Models这类工作。因为它试图回答的是：AI在自动运行中，能否真正理解世界。这一点决定了系统明天能否长大。

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。

论文链接：https://arxiv.org/abs/2606.18260

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：中国初创公司Loop世界模型论文登顶Hugging Face要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题