LLM作为评判者：迈向榜单推荐系统的世界模型

arXiv 25.11 2025 42.7 method

TLDR

LLM通过成对推理充当榜单推荐世界模型，跨任务数据集实证支持。

评分理由

The paper provides empirical evidence for using LLMs as world models in a specific domain (slate recommendation), which is a strength. However, it is limited to this narrow application and does not address broader world model capabilities or real-world deployment.

Read-first 评分解释

综合优先阅读分 42.7，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 10。

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：分析、数据集、结果

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：数据集

主题相关性 42%

14.3

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

排序敏感性

稳定性：volatile；排名波动范围：397。

关键词评分

world model

world simulator

generative world model

interactive world model

video world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

LLM-as-a-Judge方法用于榜单推荐系统
对榜单进行成对推理以建模用户偏好
对LLM在三个榜单推荐任务上的实证分析

方法

作者使用多个大型语言模型（LLM）在三个跨越不同数据集的任务上进行实证研究。他们通过榜单上的成对推理评估LLM充当用户偏好世界模型的能力，分析任务性能与偏好函数属性之间的关系。

关键结果

研究揭示了任务性能与LLM捕获的偏好函数属性之间的关系，指出了改进方向，并突出了LLM作为推荐系统中世界模型的潜力。

局限性

该研究是探索性的，并未提供完整的榜单推荐世界模型
LLM的性能因偏好函数属性而异，表明需要进一步改进
仅限于三个任务和数据集；跨领域的泛化性尚未确立

资源

论文