安全且自适应的云修复：利用神经符号世界模型验证LLM生成的恢复计划

arXiv 2026 31.8 method, system, application

TLDR

PASE利用LLM生成恢复计划，经神经符号世界模型验证，在真实数据上减少云恢复时间40%。

评分理由

The paper presents a novel integration of LLM planning with a neural-symbolic world model for verification, supported by real-world experiments and strong empirical results. However, the abstract lacks details on the world model's architecture and limitations, and the keyword relevance varies.

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 29。

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

主题相关性 29%

41.4

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%

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、实验

可复现性 18%

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

引用影响力 18%

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 12%

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：119。

关键词评分

world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

generative world model

interactive world model

video world model

资源

论文