概念Core–Tail World Model / 核心-尾部世界模型
CTWM
一种基于排名的记忆控制器，通过单一指数参数τ动态分配上下文预算，对核心状态给予充分表达、对尾部状态进行摘要化处理，以兼顾覆盖率与token效率
时间轴 (近 90 天)
10月2日
CTWM 中 τ 趋近于 0 时预算趋于均匀分配，τ 增大时资源越来越向排名靠前的核心状态倾斜
待验证50%
10月2日
在 Synthetic Graph World 中，CTWM 相比图记忆基线提示 token 减少 5.9%，下半部尾部预测误差降低 13.6%，并完整保留状态与转移覆盖率
待验证50%
10月2日
在 ALFWorld 上，CTWM 在相同配对比较下获得了一致的 token 节省
待验证50%
10月2日
在 LongMemEval 上，CTWM 实现了 24.48% 的 token 削减，同时保持整体准确率持平
待验证50%
10月2日
重尾记忆痕迹不只是有限检索机制下的诊断表征，更可以作为可被实际利用的控制信号
待验证50%
10月2日
作为新发布的预印本，该研究结论仍有待更广泛场景验证，例如单一指数 τ 是否足以应对分布动态变化的真实任务
待验证50%
全部知识事实 (6)
待验证
CTWM 中 τ 趋近于 0 时预算趋于均匀分配，τ 增大时资源越来越向排名靠前的核心状态倾斜
50%待验证在 Synthetic Graph World 中，CTWM 相比图记忆基线提示 token 减少 5.9%，下半部尾部预测误差降低 13.6%，并完整保留状态与转移覆盖率
50%待验证在 ALFWorld 上，CTWM 在相同配对比较下获得了一致的 token 节省
50%待验证在 LongMemEval 上，CTWM 实现了 24.48% 的 token 削减，同时保持整体准确率持平
50%待验证重尾记忆痕迹不只是有限检索机制下的诊断表征，更可以作为可被实际利用的控制信号
50%待验证作为新发布的预印本，该研究结论仍有待更广泛场景验证，例如单一指数 τ 是否足以应对分布动态变化的真实任务
50%