时间距离何时能改善世界模型规划？

基于摘要分析。本文研究潜在世界模型规划中的距离与可达性不匹配问题：潜在空间中接近目标的状态，不一定能用较少行动步骤到达目标。作者提出利用训练世界模型时已收集的离线轨迹，诊断学习得到的时间距离是否比原始潜在距离更准确地排序到达目标所需的步数，从而预判替换规划距离的收益。 核心机制是将距离的时间排序能力作为诊断对象，而不是仅考察表征中的几何接近程度。理想的规划距离应把更少步骤可达目标的状态排得更近；该诊断衡量学习时间距离相对于原始潜在距离在这一排序上的改善。时间距离的训练目标、排序统计量及轨迹配对方式尚未验证。 作者报告，在固定世界模型与搜索方法、匹配执行日程的条件下，时间距离大幅改善时间排序时，规划收益也较大；原始潜在距离已经较好反映时间排序时，收益较小。作者还报告，在规划前对留出设置应用诊断，其预测与随后观察到的大幅或较小收益区别一致。受控实验支持较大收益来自学习时间结构，而非单纯更换表征、增加搜索预算或改变执行日程。摘要未提供任务、数据规模、具体指标或效应量，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：这一诊断可能适用于具有明确目标状态、动作序列及到达步数记录的 BCI 闭环控制，但不直接对应 EEG 分类性能。可复用的是离线轨迹时间排序诊断；需改造的是神经信号状态表征，以及用户意图、控制动作与目标到达之间的定义。低信噪比、跨被试或跨会话漂移，以及小数据下的时间距离估计误差，可能使步数排序失真。一个可检验的小实验是在同一闭环控制任务中固定世界模型、搜索预算和执行日程，用训练轨迹计算两种距离的排序差异，再在留出轨迹或会话中检验该差异能否预测目标到达收益。相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。