作为世界建模的关系学习

arXiv 2026 34 method

TLDR

提出TabWM上下文关系世界模型，用WorldRel训练，预测动作的结构化编辑并想象未来以支持规划。

评分理由

The paper addresses a valuable gap by extending relational learning to action-driven dynamics, with a clear method and strong empirical gains on synthetic worlds. However, it lacks real-world validation and the abstract provides limited detail on baselines or scalability.

Read-first 评分解释

综合优先阅读分 34，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 41。

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

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

主题相关性 25%

58.6

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

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：315。

关键词评分

world model

world dynamics prediction

interactive world model

generative world model

world simulator

model-based reinforcement learning world model

video world model

深度分析

创新点

将关系学习重新定义为世界建模：预测关系状态在动作下如何变化，而非仅从静态数据库状态预测。
提出TabWM（表格世界模型），以未见关系世界的观察执行为上下文，无需更新参数即可预测稀疏结构化编辑。
提出WorldRel，一个可执行关系世界生成器，用于预训练。
利用显式的关系编辑预测递归地想象候选未来，并在选择动作前进行比较。

方法

本文用WorldRel生成可执行关系世界进行预训练，并在512个保留世界上评估TabWM。TabWM以未见世界的观察执行为条件，预测稀疏结构化编辑，需要正确的操作、关系位置和值，无需参数更新。预测的编辑被递归应用以想象未来，支持动作序列搜索，以实际收益评估。

关键结果

在512个保留世界上，完整编辑F1从无观察执行时的0.016提升到有64次观察执行时的0.685。对预测未来的更广泛搜索提高了所选动作序列的实际收益。

局限性

摘要中未明确说明局限性。

资源

论文