world2vec
一种从观测和动作中学习潜动力学的世界模型，旨在构建可解释的机制性世界模型，强调对系统动力学的忠实还原，而非仅优化控制性能。
时间轴 (近 90 天)
world2vec 不依赖奖励信息，仅从观测和动作中学习忠实的潜动力学，构建可解释的机制性世界模型。
world2vec 与 DreamerV3、TD-MPC2 和 LeWM 等方法相比，参数量至少少一个数量级，同时仍能保持对连续环境的控制性能达到当前最优水平。
world2vec 从像素输入出发，在连续环境中实现了当前最优的控制性能。
研究者在包含 71 个吸引子的基准上评估了 world2vec 的系统辨识精度，world2vec 表现出准确的识别能力。
原文明确指出 world2vec 工作 'demonstrating how world models are amenable to scientific discovery'。
原文未详细讨论 world2vec 在更高维、更复杂环境中的扩展性，也未说明其在部分可观测或噪声较大场景下的表现。
不依赖奖励信息意味着该方法无法直接利用任务奖励来引导表征学习，如何在忠实性与任务相关性之间取得平衡是后续值得探索的问题。
全部知识事实 (7)
world2vec 不依赖奖励信息，仅从观测和动作中学习忠实的潜动力学，构建可解释的机制性世界模型。
50%待验证world2vec 与 DreamerV3、TD-MPC2 和 LeWM 等方法相比，参数量至少少一个数量级，同时仍能保持对连续环境的控制性能达到当前最优水平。
50%待验证world2vec 从像素输入出发，在连续环境中实现了当前最优的控制性能。
50%待验证研究者在包含 71 个吸引子的基准上评估了 world2vec 的系统辨识精度，world2vec 表现出准确的识别能力。
50%待验证原文明确指出 world2vec 工作 'demonstrating how world models are amenable to scientific discovery'。
50%待验证原文未详细讨论 world2vec 在更高维、更复杂环境中的扩展性，也未说明其在部分可观测或噪声较大场景下的表现。
50%待验证不依赖奖励信息意味着该方法无法直接利用任务奖励来引导表征学习，如何在忠实性与任务相关性之间取得平衡是后续值得探索的问题。
50%