Baba in Wonderland：面向可执行世界模型的在线自监督动力学发现
人工智能
2026-05-19 v1
摘要
可执行世界模型若能被读取、编辑、执行和重用，用于规划，则必须捕获环境转移规律，而非其表面词汇中的语义捷径。我们研究在先验误差情况下的在线可执行世界模型学习，即智能体仅凭互动证据推断状态依赖动力学，无需规则描述、奖励信号或可靠的词汇先验。我们引入 Alice，一个闭环系统，将失败的候选更新视为结构信号：当候选方案解释新转移但丢失了先前解释的转移时，保存冲突揭示了当前程序未区分的动力学。Alice 将这些冲突细化为假设类，这些类既为更新提供紧凑、分层的保存反例，又引导探索向那些相对于当前程序新颖且不够代表的转移。我们在 Baba in Wonderland 上进行评估，该变体保留模拟动力学，却将语义上有意义的规则-属性标签替换为无关词汇。实验表明，Alice 在先验误差下显著改善了可执行世界模型的学习，消融实验显示，类细化与类感知探索均有贡献。
引用
@article{arxiv.2605.16725,
title = {Baba in Wonderland: Online Self-Supervised Dynamics Discovery for Executable World Models},
author = {SeungWon Seo and DongHeun Han and SeongRae Noh and HyeongYeop Kang},
journal= {arXiv preprint arXiv:2605.16725},
year = {2026}
}