DMWM：具有长期想象能力的双心智世界模型

arXiv 25.2 2025 59.6 method

TLDR

提出DMWM，一种将逻辑推理与RSSM结合的双心智世界模型，用于长期想象，在DMControl上评估。

评分理由

The paper introduces a novel dual-process framework combining intuitive RSSM and logical reasoning to address long-term prediction errors, which is a clear strength. However, evaluation is limited to simulated DMControl benchmarks without real-world experiments, and the abstract lacks details on scalability or comparison to other approaches.

Read-first 评分解释

综合优先阅读分 59.6，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 46。

近期性 8%

86.7

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2025

方法质量 25%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、实验、结果

主题相关性 42%

65.7

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 25%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：267。

关键词评分

world model

model-based reinforcement learning world model

world dynamics prediction

generative world model

world simulator

interactive world model

video world model

深度分析

创新点

双心智架构，结合基于RSSM的系统1（直觉）和逻辑集成神经网络系统2（逻辑推理）用于世界模型
系统间反馈机制，确保想象遵循真实环境的逻辑规则
LINN-S2中的分层深度逻辑推理，以逻辑一致性引导长期想象

方法

DMWM由两个组件组成：基于RSSM的系统1（RSSM-S1）用于直觉状态转换，以及基于逻辑集成神经网络的系统2（LINN-S2）用于分层深度逻辑推理。系统间反馈机制确保想象过程遵循逻辑规则。该框架在DMControl套件的长期规划任务上进行了评估。

关键结果

DMWM在需要长期规划的基准任务上，在逻辑一致性、试验效率、数据效率和长期想象方面相比最先进的世界模型取得了显著改进。

资源

论文