随着视觉语言模型（VLM）能力提升，研究者希望它们能够在时空维度上进行运动、动作和视角变化的推理，而不仅局限于输入图像本身。视频世界模型（VWM）通过生成任务相关的视觉内容，为视觉想象提供统一的引擎。然而，现有方法往往通过固定管线调用 VWM，限定在诸如新视角合成等单一想象形式，缺乏对多样化推理任务的适配能力。
CoWorld Reasoner 提出了一种 agentic 框架，将 VWM 作为统一的视觉推理引擎。其核心是 Video World Model-Driven Harness，向 VLM 暴露多种视觉操作工具，并通过一套 skill 集指导 VLM 决定是否需要想象、选择何种操作、构造生成请求以及解释返回的视觉证据。
为进一步提升系统适应性，作者设计了 VLM‑VWM Harness 共演机制：在执行过程中收集反馈，动态修正工具、skill 与执行代码，而模型权重保持不变。
在七个覆盖空间智能、时序因果推理和感知推理的基准上，CoWorld Reasoner 均超越了直接使用同一 VLM 的基线。最强变体在 MMSI 上提升 11.8%，在 ERQA 上提升 13.0%，并在五个基准上全面领先于使用相同骨干网络的五个演化基线。
点评