世界模型应将世界存在哪里？4 KB 显式状态优于两类隐式记忆

基于摘要分析。本文研究小型动作条件世界模型如何保存已观测的静态空间信息，主要对象是具有自我中心视角的类 Sokoban 离散网格世界，而非 EEG 或 BCI。作者训练了一个 3.09M 参数模型，以逐像素瓦片类别分布生成场景，并比较 K 帧堆叠、ConvGRU 隐式记忆与外置世界坐标显式状态。 作者报告，在预测时域为 32 的评估中，像素 Accuracy 为 0.750，但地板类别召回率为 0.99，箱子与目标类别召回率约为 0.40。作者将这种“场景逐渐清空”的现象解释为：逐像素边缘分布的 argmax 偏向占多数的地板类别，整体 Accuracy 因而掩盖关键物体丢失。类别平衡交叉熵并未解决信息不足：在 α=1 时，目标类别召回率由 0.396 升至 0.543，Precision 却由 0.940 降至 0.031；逐瓦片采样也主要是在牺牲 Precision 后获得有限召回改善。 针对已见瓦片的往返记忆测试，作者报告，在其计算预算下，K 帧堆叠具有硬性遗忘时域，ConvGRU 状态则逐渐衰减，两者在 N=12 时的瓦片召回率降至 0.63–0.77。将静态几何移至 4 KB 世界坐标显式状态后，无需额外训练，各受测架构在 N=12 时的召回率均达到 0.992，每帧增加 2.0 ms。相机位置由模型自身生成的帧推断，而非读取特权状态；摘要称两项作弊对照未出现相应提升，但对照构造与 N 的具体定义尚需全文核对。 作者还报告，仅在模型生成环境中训练的 PPO 策略达到真实游戏回报的 88%；加入显式缓冲区后该回报不变。作者认为，这是因为任务并未考查被修复的静态几何，提示下游回报不一定能反映世界记忆质量。该比例不是成功率，也不能直接推广到其他任务。实验协议、数据划分、消融、统计信息及复现资源尚未验证；摘要不支持将这一空间记忆机制直接视为已验证的 EEG/BCI 方法。