SmallWorlds: 评估孤立环境下世界模型的动态理解能力
机器学习
2025-12-01 v1
摘要
当前的世界模型缺乏统一且受控的环境，以进行系统性评估，难以判断其是否真正捕捉到支配环境动力学的基本规则。本文通过引入 SmallWorld Benchmark 来解决这一开放性挑战，该基准旨在评估世界模型在孤立且精确受控的动力学下的能力，而无需依赖 handcrafted reward signals。在该基准上，我们在完全可观测状态空间中对代表性架构（包括 Recurrent State Space Model、Transformer、Diffusion model 和 Neural ODE）进行了全面实验，考察了其在六个不同领域的行为。实验结果揭示了这些模型有效捕获环境结构的方式，以及其在扩展 rollout 中的预测性能衰减情况，凸显了当前建模范例的优势与局限，并为未来在表示学习和动态建模方面的改进提供了见解。
引用
@article{arxiv.2511.23465,
title = {SmallWorlds: Assessing Dynamics Understanding of World Models in Isolated Environments},
author = {Xinyi Li and Zaishuo Xia and Weyl Lu and Chenjie Hao and Yubei Chen},
journal= {arXiv preprint arXiv:2511.23465},
year = {2025}
}