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

世界模型中的幻觉是可预测且可预防的

arXiv 2026 61.4 method, benchmark

TLDR

世界模型中的幻觉源于低数据覆盖；可通过三种信号检测，并通过覆盖感知采样和好奇心驱动的微调来预防。

评分理由

The paper introduces a large dataset (MMBench2) and identifies three hallucination modes, offering both detection signals and mitigation strategies. Strengths include empirical grounding and practical finetuning with few trajectories; weaknesses are the reliance on a single model size (350M) and limited detail on generalizability beyond the dataset.

Read-first 评分解释

综合优先阅读分 61.4，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 55。

近期性 6%
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

引用影响力 18%
95.6

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。 归一化引用分位：0.95643432

主题相关性 29%
78.6

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

方法质量 18%
50

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：数据集

可复现性 18%
38

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：数据集

引用速度 12%
0

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。 年均引用：0.00

研究版图角色

基础论文前沿论文

排序敏感性

稳定性：volatile；排名波动范围：503。

关键词评分

world model
10
generative world model
9
interactive world model
8
world dynamics prediction
8
video world model
7
model-based reinforcement learning world model
7
world simulator
6

深度分析

创新点

  • 识别出三种不同的幻觉模式：感知性、动作边缘化和场景发散
  • 开发了三种能够准确预测世界模型失败位置的信号
  • 覆盖感知采样技术，用于在训练时弥补覆盖缺口
  • 将幻觉预测器用作好奇心奖励以进行定向数据收集，实现仅需50条真实环境轨迹的数据高效微调
  • 引入MMBench2，一个427小时、210个任务的视觉世界建模数据集，包含真实动作、奖励和实时模拟器

方法

作者在MMBench2数据集上训练了一个3.5亿参数的世界模型。他们识别出三种幻觉模式并开发了三种预测信号。为了缓解幻觉，他们在训练中使用覆盖感知采样，并将幻觉预测器作为好奇心奖励用于在线数据收集，从而能够在少量轨迹下对未见环境进行微调。

关键结果

世界模型中的幻觉是可预测且可预防的；用于检测的相同数据驱动信号也可指导缓解，从而允许仅用50条真实轨迹适应未见环境。

资源

论文

标签