⌁ Awesome World Model Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

面向在静态环境之外可靠学习、验证和适应的智能体的基础世界模型

AAMAS 26 2026 59.2 survey

TLDR

面向开放世界自主智能体的统一学习、验证与适应的基础世界模型愿景

评分理由

The paper presents a conceptual agenda without empirical validation, which limits its immediate impact. Its strength lies in proposing a comprehensive framework integrating reward learning, verification, and abstraction, but it lacks concrete experiments or real-world benchmarks.

Read-first 评分解释

综合优先阅读分 59.2，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 35。

近期性 8%
100

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：2026

方法质量 25%
90

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：基线、评估、实验、指标、结果

主题相关性 42%
50

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%
30

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：395。

关键词评分

world model
9
model-based reinforcement learning world model
7
world dynamics prediction
6
interactive world model
5
generative world model
4
world simulator
3
video world model
1

深度分析

创新点

  • 从规范中可学习的奖励模型，以支持具有明确目标的优化
  • 贯穿学习过程的自适应形式化验证
  • 在线抽象校准以量化模型预测的可靠性
  • 由验证器引导的测试时合成和世界模型生成

方法

本文概述了基础世界模型的愿景和议程，提出了四个组成部分：可学习的奖励模型、自适应形式化验证、在线抽象校准和测试时合成。未描述具体的模型设计、数据、训练/评估设置、基线或指标。

关键结果

未呈现实验结果；本文是一个概念框架和未来工作的议程。

资源

论文

标签