世界模型骨干对比：RNN、Transformer 与 S4

基于摘要分析。本文研究基于模型的强化学习（MBRL）中，世界模型如何在部分可观测环境下保持长期记忆，以进行时间跨度较长且一致的未来模拟。作者提出 S4WM，将 Structured State Space Sequence（S4）及其变体等可并行状态空间模型与潜变量建模结合，通过潜空间想象生成高维图像序列。 原论文的主要对象是强化学习环境中的世界模型，而非 EEG 或 BCI。研究动机是 Dreamer 等代表性 MBRL 智能体主要采用 RNN 骨干，而作者认为其记忆容量限制了长期建模。论文探索 Transformer 与 S4 作为替代骨干，利用其捕获长程依赖的能力。作者称 S4WM 是首个兼容 S4 及其变体等可并行状态空间模型的世界模型；这一优先性声明尚未独立核验。摘要未提供潜变量结构、损失形式、训练流程或推理实现细节。 作者在四组针对记忆能力设计的环境中比较 RNN、Transformer 和 S4 世界模型，考察长期想象、依赖上下文的回忆、奖励预测及基于记忆的推理。作者报告，在这些环境的比较中，S4WM 的长期记忆表现优于 Transformer 世界模型，且训练与想象效率更高；摘要未给出具体指标、效应大小、环境名称或计算预算，也未明确其相对 RNN 的整体优势。实验协议、消融及统计信息尚未验证，不能据此推断下游强化学习回报已提高。 平台推测（待验证）：若 EEG 任务确实依赖长时间上下文，S4 的长程序列建模机制可能有助于缓解记忆瓶颈，但图像潜空间与环境交互监督不能直接等同于多通道 EEG 及其任务标签。可考虑复用序列骨干，改造信号编码与预测目标；低信噪比、跨被试差异、通道配置变化及小数据可能削弱收益。一个可证伪的小实验是在固定 EEG 任务、相同数据划分和近似计算预算下，对比 RNN、Transformer 与 S4，并检验上下文长度增加是否带来稳定改善；这仅检验骨干迁移假设，不构成 S4WM 在 BCI 中有效的证据。已有 EEG 相关工作尚未检索确认。