SmallWorlds：在隔离环境中评估世界模型的动态理解能力

arXiv 25.11 2025 59.3 benchmark

TLDR

提出SmallWorld基准测试，用于在隔离、受控环境中系统评估世界模型的动态理解能力。

评分理由

Strengths include a novel benchmark for controlled evaluation and testing across multiple architectures. Weaknesses are the limitation to fully observable state spaces and lack of real-world validation.

Read-first 评分解释

综合优先阅读分 59.3，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 37。

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：基准、评估、实验、结果

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

主题相关性 42%

52.9

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 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：无

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：279。

关键词评分

world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

world simulator

interactive world model

video world model

深度分析

创新点

提出了SmallWorld基准测试，这是一个在无需手工设计奖励信号的情况下，于隔离且精确控制的动态环境中评估世界模型能力的测试平台。
在完全可观测的状态空间中，对四种代表性架构（循环状态空间模型、Transformer、扩散模型、神经常微分方程）在六个不同领域进行了全面评估。

方法

作者设计了SmallWorld基准测试作为具有隔离动态的受控测试平台，然后在完全可观测的状态空间中，对四种模型架构（循环状态空间模型、Transformer、扩散模型、神经常微分方程）进行实验。他们评估了这些模型捕捉环境结构的程度，以及预测在六个领域内长时间展开时的退化情况。

关键结果

实验揭示了每种架构捕捉环境结构的有效程度，并表明预测在长时间展开中会退化，突显了当前建模范式的优势与局限。

局限性

评估仅限于完全可观测的状态空间，未涉及部分可观测或真实世界环境。
仅测试了六个不同领域，可能无法覆盖所有可能的动态类型。
仅考察了四种代表性架构，忽略了其他潜在的世界模型设计。
该基准未包含手工设计的奖励信号，这可能限制了与使用奖励的强化学习设置的可比性。

资源

论文