状态并非轻易可估计：在部分可观测 MordorHike 基准上比较基于模型与无模型强化学习

该研究针对部分可观测马尔可夫决策过程（POMDP）中复杂状态估计评估不足的问题，提出 MordorHike 基准套件，并通过任务表现与状态估计探针联合比较强化学习智能体。基于摘要分析，未取得论文全文。 作者认为，常见基准往往不足以检验非线性动力学与噪声条件下的复杂状态估计，因此设计 MordorHike 暴露这类能力差异。评估框架除考察任务表现外，还通过 probing 检查智能体的状态估计质量；摘要未说明探针目标、训练方式及所用指标。 对照包括基于模型的 Dreamer、R2I 和无模型的 DRQN。作者报告，在所评估的 MordorHike 设置中，Dreamer 具有较好的样本效率，并在最困难设置下取得更优表现；R2I 表现较弱，作者据此提出其线性循环架构可能构成瓶颈，但摘要不足以确认这一解释是否得到受控消融支持。作者还报告状态估计质量与任务表现存在联系；分布外评估显示所有算法均有泛化差距，而 Dreamer 在最具挑战性的设置下仍保持优势。上述结果未提供具体分数、评估预算或统计不确定性，不能据此量化优势或推广至其他任务。 平台推测（待验证）：其潜在 EEG/BCI 价值主要在评估思路，而非已验证的解码算法。假设目标 BCI 任务需要从带噪观测中跟踪潜在动态状态，可借鉴“任务表现＋状态估计探针”的双重评估，但需要明确状态参考、观测结构及控制反馈，并改造环境与探针目标。低信噪比、跨被试和通道变化可能使探针结果混入观测差异，小数据也可能限制模型学习。一个可检验的小实验是在具有已知潜在状态的 EEG 仿真序列上，固定训练预算和划分，比较任务表现与状态恢复质量是否一致；该实验只能验证评估框架的可用性，不证明真实 BCI 有效。已有 EEG 相关工作尚未检索确认。 MordorHike 的具体环境构成、噪声设置、分布外划分、算法配置、探针协议、消融及统计信息尚未验证；代码与完整复现条件亦尚未验证。