学习该回忆什么：用于世界模型的自适应多线索情景记忆

arXiv 2026 31.8 method

TLDR

提出未来感知召回（FAR），通过自适应多线索评分与预测监督学习世界模型的记忆检索。

评分理由

The paper addresses a meaningful gap in world models by learning which memories and cues to trust for prediction, supported by empirical evaluations across three settings. Weaknesses are that the abstract does not specify real-world deployment details or compare against a wide range of baselines.

Read-first 评分解释

综合优先阅读分 31.8，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 39。

近期性 5%

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

主题相关性 25%

55.7

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

方法质量 15%

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：结果

可复现性 15%

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

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

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。引用数：0

引用速度 10%

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

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：268。

关键词评分

world model

world dynamics prediction

generative world model

interactive world model

video world model

model-based reinforcement learning world model

world simulator

深度分析

创新点

未来感知召回（FAR）：一个从未来感知预测监督中学习情景回忆的框架
自适应多线索评分：学习线索特定相关性，并自动决定每条查询应信任哪些可用检索线索
通过给定回忆上下文的已实现未来的条件对数似然（以负扩散预测损失近似）衡量预测效用并训练检索器
检索器尽管经过未来感知训练，在推理时仍保持未来不可见

方法

FAR 通过用条件对数似然（以负扩散预测损失近似）衡量召回上下文的预测效用，来训练情景记忆检索器。检索器对时间、姿态、视觉和音频等可用检索线索学习自适应评分，但推理时仅使用当前信息。该方法在三个互补场景中评估。

关键结果

FAR 即使使用相同的检索线索也优于手工设计的召回机制，能自动调整对不同可用线索的信任程度，并在环境变化时召回正确的历史信息。

资源

论文