PWM：通过在线强化学习实现个性化世界模型
基于摘要分析。该研究针对预训练世界模型难以根据用户短视频定制特定场景、同时保持动作条件生成质量的问题，提出 Personalized World Models（PWM），通过在线强化学习学习场景专属适配器，并引入 PWM-Bench 评估场景定制效果。 机制上，支持轨迹及其对应控制信号为当前策略采样的续接提供奖励反馈。GRPO 实现使用场景外观、视觉连续性与运动的统一奖励，更新紧凑的 LoRA 适配器；Yume-5B 主干保持冻结，并以基础策略锚定约束对预训练生成先验的偏离。作者还采用 DiffusionNFT 作为另一种奖励引导优化方法，学习同类场景专属适配器。摘要未给出奖励计算、锚定形式、在线采样预算及适配器配置，尚不能判断各部分的独立贡献。 PWM-Bench 包含 Indoor、Outdoor、Gaming 三个领域的 150 个定制任务，采用留出续接上的配对评估。作者报告，相对于原生 Yume，GRPO 与 DiffusionNFT 实现分别在所评估场景的 71.3% 和 65.3% 上改善定制效果，且三个领域的平均增益均为正；这些比例是改善场景的占比，不是 Accuracy 或增益百分点。作者报告，在匹配的 SFT 对照中，GRPO 实现在每个领域都获得更高的平均定制增益及更好的平均图像质量评分，同时帧级视觉质量接近预训练模型。具体评分定义、任务划分、SFT 匹配条件、消融及统计信息尚未验证。 平台推测（待验证）：其“轻量适配与先验保持”的思路可能启发 EEG 个性化，但这仅是假设。原方法依赖视频支持轨迹、控制信号及视觉奖励，不能直接视为 EEG/BCI 证据；摘要也不足以建立可直接复用的 EEG 奖励与生成机制。跨领域迁移需另行评估低信噪比、被试差异及小数据条件下的适配稳定性，已有 EEG 相关工作尚未检索确认。
阅读价值：值得关注其通过奖励引导的 LoRA 适配与基础策略锚定平衡场景个性化和生成质量的机制，以及在留出续接上的配对评估和匹配 SFT 对照；具体奖励设计与实验协议仍需全文核对。