研究提出 CoWorld Reasoner：基于演进式视频世界模型的智能体多模态推理框架

预印本摘要称，研究者提出了 CoWorld Reasoner 智能体框架，利用视频世界模型作为统一引擎辅助视觉语言模型进行多模态时空推理。该方法在保持两个模型权重固定的前提下，通过执行反馈协同修正工具、技能与执行代码。实验显示其在涵盖空间智能与因果推理的 7 个基准测试中均优于直接推理基线，在 MMSI 和 ERQA 上相对准确率分别提升 11.8% 和 13.0%。