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

从观察到事件：面向强化学习的事件感知世界模型

ICLR 26 2026 76 method

TLDR

提出事件感知世界模型（EAWM），从原始观测中学习事件表示，提升MBRL的泛化性和鲁棒性。

评分理由

Strengths: Novel cognitive-inspired event segmentation approach, strong empirical gains (10-45%) across multiple benchmarks, and unified formulation of world model architectures. Weaknesses: Abstract lacks details on the event generator and GES mechanisms; generalization claims may depend on specific benchmarks.

Read-first 评分解释

综合优先阅读分 76，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%
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

可复现性 25%
81

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：有；数据：无；命中信号：代码、GitHub

方法质量 25%
80

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、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

研究版图角色

前沿论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：90。

关键词评分

world model
10
model-based reinforcement learning world model
10
world dynamics prediction
8
generative world model
6
interactive world model
5
video world model
4
world simulator
3

深度分析

创新点

  • 事件感知世界模型（EAWM）框架，无需手工标签即可学习事件感知表示
  • 自动事件生成器，从原始观测中提取事件
  • 通用事件分割器（GES），用于识别标记事件段开始和结束的事件边界
  • 对看似不同的世界模型架构的统一公式，展示了广泛适用性

方法

EAWM采用自动事件生成器从原始观测中提取事件，并使用通用事件分割器（GES）识别事件边界。通过事件预测，表示空间被塑造以捕捉有意义的时空转换，从而在基于模型的强化学习环境中简化策略学习。

关键结果

EAWM在Atari 100K、Craftax 1M、DeepMind Control 500K和DMC-GB2 500K上持续将强MBRL基线的性能提升10%到45%，在这些基准上设定了新的最先进结果。

资源

论文代码

标签