合作机构
崔森（Sen Cui）
🎓 招人： 诚招博士后、科研实习生、本科生与合作伙伴，共同开展世界模型、具身智能与物理 RSI 系统的研究。
- 要求：极强的 self-driven motivation。
- 背景：编程能力强；机器学习基础扎实；有大模型经验者优先。
- 时间：全职或每周 ≥ 30 小时，持续 ≥ 4 个月。
- 方式：线下（清华或智源）优先。
- 指导：每周至少 1 次 1V1 与组会。
- 收获：以一作或共同一作在顶级会议上发表论文，有机会 lead 大型前沿创新课题。
📩 申请方式：请将简历、成绩单与代表性项目发送至 cuis@mail.tsinghua.edu.cn，我们通常一周内回复。
关于我
我是清华大学助理研究员、水木学者，同时也是世界模型方向的智源学者。我的研究致力于通过世界模型实现物理 AI—— 让机器能够感知、推理并在物理世界中不断进化。 我于 2024 年获得清华大学自动化系博士学位（导师张长水教授）， 2019 年本科毕业于清华大学（师从郑泉水教授）。
经历
智源青年学者，北京智源人工智能研究院，2025 至今。
助理研究员、水木学者，清华大学，2024 至今，导师张长水教授。
访问学者，RIKEN 先进智能研究中心（AIP），2023，导师杉山将教授。
博士，清华大学自动化系，2019 – 2024，导师张长水教授。
访问学者，UCB 机械工程系，2018 – 2019，导师 Masayoshi Tomizuka 教授。
本科，清华大学钱学森班，2015 – 2019，导师郑泉水教授。
新闻
- 2026-09 我们的工作 Geometry-Aware Directional Alignment for Coherent Model Merging 被 NeurIPS 2026 接收。
- 2026-09 我们的工作 AmbiguousWorld: Benchmarking and Resolving Ambiguous Instructions in Video World Models 被 NeurIPS 2026 接收。
- 2026-09 我们的工作 HAI: Hierarchical Anchored Interaction for Multi-View Bimanual World Models 被 NeurIPS 2026 接收。
- 2026-09 我们的工作 LPA-CWM: A Learned Physical Adjudicator for Motion Reasoning with Counterfactual World Models 已上传至 arXiv。
- 2026-08 我们的工作 ConfAL-WM: Confidence-Guided Active Learning for Action-Conditioned World Models 已上传至 arXiv。
- 2026-08 我们的工作 MOSH-WM: Mask-Grounded Soft-Hamiltonian Dynamics for Object-Centric World Models 已上传至 arXiv。
- 2026-08 我们的工作 TRCA: Transition-wise Rubric Credit Assignment for Long-horizon LLM Agents 已上传至 arXiv。
- 2026-08 我们的工作 VERDI: Retrieval Is Not Transfer for Continual World Model Optimization 已上传至 arXiv。
- 2026-07 我们的工作 ElasticTTT: Prior-Preserving Test-Time Tuning for Video Editing 已上传至 arXiv。
- 2026-07 我们所在的 BAAI 团队发布了 Orca: The World is in Your Mind——多模态表征世界模型。
- 2026-07 我们的工作 EvoWorld: Evolving Panoramic World Generation with Explicit 3D Memory 被 ECCV 2026 接收。
- 2026-06 我们的工作 Gold Points Sniper: Self-guided Visual Reasoning in VLM for Fine-grained Action Understanding 被 ICRA 2026 接收。
- 2026-06 我们的工作 Deliberate Evolution: Agentic Reasoning for Sample-Efficient Symbolic Regression with LLMs 被 ICML 2026 接收。
- 2026-06 我们的工作 MetaForge: A Self-Evolving Multimodal Agent that Retrieves, Adapts, and Forges Tools On Demand 已上传至 arXiv。
- 2026-05 我们的工作 ECG-WM: A Physiology-Informed ECG World Model for Clinical Intervention Simulation 已上传至 arXiv。
- 2026-05 我们的工作 Physically Native World Models: A Hamiltonian Perspective on Generative World Modeling 已上传至 arXiv。
- 2026-04 我们的工作 CoDoL: Conditional Domain Prompt Learning for Out-of-Distribution Generalization 被 TMLR 2026 接收。
- 2026-02 我们的工作 Scene2Demo: Self-Evolving Embodied Data Generation via Object-Action Graph 已上传至 arXiv。
- 2026-01 我们的工作 Reversible Diffusion Decoding for Diffusion Language Models 已上传至 arXiv。
- 2025-12 我们的工作 Beyond Similarity: Personalized Federated Recommendation with Composite Aggregation 被 ACM TOIS 接收。
- 2025-12 荣幸入选智源学者。
- 2025-11 我们的工作 From Coefficients to Directions: Rethinking Model Merging with Directional Alignment 已上传至 arXiv。
- 2025-11 我们的工作 Merging without Forgetting: Continual Fusion of Task-Specific Models via Optimal Transport 已上传至 arXiv。
- 2025-11 我们的工作 Think Consistently, Reason Efficiently: Energy-Based Calibration for Implicit Chain-of-Thought 已上传至 arXiv。
- 2025-09 我们的工作 Decentralized Dynamic Cooperation of Personalized Models for Federated Continual Learning 被 NeurIPS 2025 接收。
- 2025-06 我们的工作 CALM: Consensus-Aware Localized Merging for Multi-Task Learning 被 ICML 2025 接收。
- 2025-05 我们的工作 Learning without Isolation: Pathway Protection for Continual Learning 被 ICML 2025 接收。
- 2025-05 我们的工作 Adaptive Localization of Knowledge Negation for Continual LLM Unlearning 被 ICML 2025 接收。
- 2025-05 我们的工作 Advancing Personalized Learning with Neural Collapse for Long-Tail Challenge 被 ICML 2025 接收。
- 2024-01 我们的工作 CLAP: Collaborative Adaptation for Checkerboard Learning 被 ICLR 2024（Spotlight） 接收。
- 2024-01 我们的工作 Accurate Forgetting for Heterogeneous Federated Continual Learning 被 ICLR 2024 接收。
- 2023-06 我们的工作 Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment 发表于 IEEE TPAMI。
使命
我们的使命：实现人工智能超级智能（ASI）——一种以语言推理、理解物理世界、持续学习、不断超越人类极限的智能。
语言模型→
推理模型→
物理推理模型→
持续学习→
RSI→
具身智能→
ASI
为什么是这些环节？
语言模型让 AI 理解与表达，推理模型赋予逻辑；但智能必须落地物理世界—— 物理推理模型让 AI 掌握真实世界的规律与因果，这是走向具身智能的前提。世界在变， 持续学习让 AI 不断成长而不遗忘，与物理推理共同构成 RSI。有了具身智能， AI 才能动手改造世界，主动获取数据、知识与信息来进化自己——实现真正的"AI for AI"，最终通向 AGI 与 ASI。
实验室 — 研究方向
为了让 AI 系统像在数字世界中推理一样，自然地感知、理解、模拟并作用于物理世界， 我们的研究议程围绕四大方向展开：
→
基础架构 · Foundation Architecture 如何基于物理先验，设计更适合物理建模的世界模型架构？
Physical Priors, World-Model Architectures, Physics-Informed Modeling, Neural Operators, Differentiable Simulation, Lagrangian & Hamiltonian Networks, Physics-Constrained Neural Nets, Inductive Biases, Latent Dynamics
→
数据效率 · Data Efficiency 如何提升泛化，实现 zero-shot 与 in-context learning 级别的任务泛化？
Zero-Shot Learning, In-Context Learning, Generalization, Few-Shot Learning, Synthetic Data, World-Model Pretraining, Representation Learning, Self-Supervised Learning, Sim2Real Transfer
→
优化速度 · Optimization Speed 如何借助 auto research 加速具身系统的优化与迭代？
Auto Research, Embodied Systems, Efficient Optimization, Neural Architecture Search, Hyperparameter Optimization, Self-Improving Systems, Closed-Loop Experimentation, Online Learning
→
性能瓶颈 · Performance Bottleneck 如何解决长程任务中预测误差累积与成功率性能瓶颈？
Long-Horizon Tasks, Sparse Rewards, Scaling, Error Accumulation, Credit Assignment, Hierarchical RL, Intrinsic Motivation, Memory & Replay, Model-Based RL
💡 四个方向相互促进：更好的架构与数据效率让优化更快，更快的优化突破长程性能瓶颈—— 共同通向能够理解、模拟并作用于世界的物理 AGI。
代表性论文
（* 表示共同一作 / 通讯 / 项目负责人）
ICLR 2024 (Spotlight) / Paper
成员
Xiang Liu
一作：Scene2Demo（2026.01）
Bo Wang
一作：AmbiguousWorld（2026.05）
Baohua Yin
一作：HAI（2026.05）
Junyu Wu
一作：VERDI（2026.08）
Shiqin Nie
共同一作：VERDI（2026.08）
Boshi Zhang
一作：EvoWorld（2026.05）
Kunwei Wu
一作：LPA-CWM（2026.08）