世界模型何时应更新状态？损失条件化状态执行

基于摘要分析。本文研究世界模型何时应执行候选状态更新、何时应保持当前状态，提出模型无关的 loss-conditioned state execution。核心贡献是将预测信息量与下游损失收益分开：事件发生排序即使接近完美，保持当前状态仍可能是绝对损失下唯一的 Bayes 最优决策。 方法从预测分布构造针对特定损失的可行候选更新，再用独立校准单元，按组估计候选相对保持状态的有界损失收益；仅当该组收益的同时置信下界为正时执行更新。论文将“状态可动性”定义为存在能够降低损失的可行修正，并将其与某个具体候选的收益区分。作者给出的理论保证以候选和分组固定、单元损失有界、校准单元独立同分布地来自目标总体为前提：以高概率，所有获准执行的组，其期望损失均低于保持状态。 作者报告，在公开预测与动作条件动力学基准上，该方法呈现认证与覆盖率之间的权衡。在留出的 28,684 条 M4 Monthly 序列上，方法对 14.0% 的序列执行候选更新，有界损失为 0.588；保持状态和始终执行候选的损失分别为 0.599、0.621，两项配对比较的 95% bootstrap 差值区间均低于零。作者还报告，在一家大型电商六类不健康库存的受约束预测中，较强的事件发生排序信号可与损失意义上偏好保持状态并存。具体损失定义、分组构造、校准与测试划分、消融及统计细节尚未验证。 平台推测（待验证）：若 EEG 在线解码已有“保持当前估计或执行候选更新”的明确决策，该机制可能用于筛选更新，而非直接提升信号表征。可复用部分是独立校准与收益下界判定；需重新定义 EEG 任务损失、可行更新及校准单元。低信噪比、小数据、时间相关性和跨被试漂移可能使置信界过宽，或使上述保证的适用条件不成立。一个小规模可证伪实验是固定解码器及分组，在独立会话校准后，于留出会话比较门控更新、始终更新和保持状态的同一任务损失与执行覆盖率；该跨会话检验不应直接沿用同分布保证。已有 EEG 相关工作尚未检索确认。