语音世界模型：基于显式推理的因果状态-动作规划

arXiv 25.12 2025 33.5 method

TLDR

提出一种模块化语音世界模型，利用因果图实现显式推理和部分监督下的可解释性。

评分理由

Strengths include a novel modular causal graph approach inspired by cognitive science, enabling counterfactual interventions and interpretability. Weaknesses are the lack of empirical results or real-world evaluation in the abstract, and reliance on future open-sourcing without evidence of performance.

Read-first 评分解释

综合优先阅读分 33.5，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 19。

近期性 6%

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 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：分析、实验、结果

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：代码、开源

主题相关性 29%

27.1

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

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：184。

关键词评分

world model

world dynamics prediction

generative world model

world simulator

interactive world model

video world model

model-based reinforcement learning world model

深度分析

创新点

通过模块化且透明的决策对语音状态和动作进行显式推理
将语音理解分解为四个模块，通过因果图进行通信
基于后验轨迹引导的认知状态搜索空间
使用指令微调的语言模型生成因果分析和用户响应
在部分监督下实现反事实干预和可解释性
首个基于图的模块化语音模型用于显式推理

方法

该系统采用世界模型视角，学习潜在状态上的前向动力学。它将语音理解分解为四个模块，这些模块通过因果图交互，建立认知状态搜索空间。指令微调的语言模型利用该空间的后验轨迹生成因果分析和响应。

关键结果

摘要未报告定量实验结果。它声称该模型在部分监督下实现了反事实干预和可解释性，并且是首个基于图的模块化语音模型用于显式推理。

技术栈

speech encoderlarge language modelinstruction-tuned language modelcausal graph

资源

论文