全局神经世界模型：基于动作条件规划的离散拓扑结构
机器学习
2026-04-21 v1 人工智能
摘要
我们提出了全局神经世界模型（Global Neural World Model，GNWM），是一个自稳定框架，通过平衡的连续熵约束实现拓扑量化。作为连续的、动作条件的联合嵌入预测架构（Joint-Embedding Predictive Architecture，JEPA），GNWM 将环境映射到二维网格上，通过无像素级重建的方式实现平移等价性。我们的结果表明，该架构通过网格“对齐”作为内置误差纠正机制，防止了自回归推演中的流形漂移。此外，通过最大熵探索（随机漫步）进行训练，模型学习的是通用的转移动力学，而非记忆特定的专家轨迹。我们在被动观察、主动代理控制和抽象序列等场景中验证了GNWM，展示了其不仅能作为空间物理模拟器发挥作用，更能作为因果发现模型，组织连续可预测概念到结构化拓扑图中。
引用
@article{arxiv.2604.16585,
title = {The Global Neural World Model: Spatially Grounded Discrete Topologies for Action-Conditioned Planning},
author = {Noureddine Kermiche},
journal= {arXiv preprint arXiv:2604.16585},
year = {2026}
}
备注
12 pages, 8 figures