DMWM：具有长程想象能力的双心智世界模型

基于摘要分析。本文研究世界模型在长时域策略学习中因预测误差累积而难以保持长程想象一致性的问题，提出受人类认知双过程理论启发的 Dual-Mind World Model（DMWM），将循环状态空间模型（RSSM）的状态转移与逻辑推理结合，以约束想象过程。 核心机制由两部分组成：RSSM-based System 1（RSSM-S1）负责直觉式状态转移，logic-integrated neural network-based System 2（LINN-S2）通过分层深度逻辑推理引导想象。两者之间设置反馈机制，使想象过程遵循真实环境的逻辑规则。摘要未说明逻辑规则如何获得和表示、反馈如何作用于状态预测，以及相应损失、训练与推理流程，这些实现细节尚未验证。 作者报告，在 DMControl suite 和机器人环境中需要长期规划的基准任务上，DMWM 相比所对照的先进世界模型改善了逻辑一致性、试验效率、数据效率及长程想象能力。摘要未提供具体任务、基线名称、指标定义或数值，因此不能量化提升，也不能判断不同评估协议下的可比性；实验协议、消融及统计信息尚未验证。 原论文的主要对象是智能体的世界模型与长期规划，并非 EEG 解码或 BCI。平台推测（待验证）：若闭环 BCI 控制任务具有可明确表达的状态转移规则和动作约束，双系统反馈可能用于限制长程规划中的不合理轨迹；这一假设依赖序列交互数据及可靠规则，而不是仅凭 EEG 分类标签。可复用的是状态预测与逻辑约束的反馈思路，需改造观测编码和规则表示；低信噪比、跨被试差异及小数据可能使状态估计或规则失效。一个可证伪的小实验是在相同交互数据预算下，对闭环控制模拟任务比较 RSSM 与加入规则反馈的版本，检查多步预测误差、约束违反率和任务回报。已有 EEG 相关工作尚未检索确认，该迁移假设不构成已验证的 BCI 效果。