面向6G的智能体世界建模：近实时生成式状态空间推理
TLDR
提出WM-MS3M生成式世界模型，用于6G O-RAN近实时控制，实现反事实假设预测与效率提升。
评分理由
The paper presents a novel world modeling approach for 6G networks, with clear methodology and empirical results on real O-RAN traces. Strengths include concrete performance gains and reduced parameters; weaknesses include limited scope to a specific domain and lack of comparison to broader world model benchmarks.
Read-first 评分解释
综合优先阅读分 49.3，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 45。
研究版图角色
排序敏感性
稳定性：volatile；排名波动范围：398。
关键词评分
深度分析
创新点
- 通过反事实动力学和世界建模范式重新定义O-RAN近实时控制
- 将动作（PRBs）视为因果世界模型中的一等控制输入
- 对预测和假设分析中的偶然不确定性和认知不确定性进行建模
- 基于智能体MPC的交叉熵方法（CEM）规划器，在短时域内使用数据驱动PRB边界内的先验均值展开
- WM-MS3M模型将多尺度结构化状态空间混合（MS3M）与紧凑随机潜变量耦合
- 主张6G智能不是流畅的令牌预测，而是想象和选择的能力
方法
本文提出WM-MS3M，将多尺度结构化状态空间混合（MS3M）与紧凑随机潜变量结合，形成生成式状态空间世界模型。物理资源块（PRBs）等动作被视为一等控制输入，并对偶然不确定性和认知不确定性进行建模。基于智能体模型预测控制（MPC）的交叉熵方法（CEM）规划器在短时域内运行，使用数据驱动PRB边界内的先验均值展开以最大化确定性奖励。该模型在真实O-RAN轨迹上进行评估，与MS3M和注意力/混合基线比较MAE、RMSE和推理延迟。
关键结果
WM-MS3M相比MS3M将平均绝对误差（MAE）降低1.69%，参数减少32%，延迟相似；相比注意力/混合基线，均方根误差（RMSE）降低35-80%，推理速度提升2.3-4.1倍，支持罕见事件模拟和离线策略筛选。