预测不等于控制：等变性使权重空间世界模型能够规划

基于摘要分析。本文研究无奖励、目标条件规划中的权重空间世界模型：以隐式神经表示（INR）的权重作为状态，探讨为何预测准确的模型仍可能无法支持有效规划。核心贡献是将这一失败归因于可控性而非预测能力，并提出排列等变算子与离线 action-response 诊断。 技术机制：INR 权重空间存在排列对称性，即不同权重排列可能对应相同的函数表示。作者认为，动作映射需要适应这种权重空间的 gauge（表示自由度），才能被规划器反向用于寻找动作。作者报告，在相同 INR 权重状态上，非等变算子和 latent-code 算子的 rollout PSNR 与等变算子相当，但规划表现不优于不采取动作；其结果支持“预测指标不足以衡量规划用途”的结论。具体算子结构、训练目标及动作映射的求解方式尚未验证。 结果与评估：作者报告，离线 action-response 诊断与可控性的相关性为 r=0.91，但摘要未交代相关性的计算单位、样本规模和统计不确定性。将等变模型与基于状态中读取的占据信息工作的经典规划器组合后，作者报告其在分布内表现可与一个预训练 SOTA 世界模型竞争或更优，在分布外超过该对照的两倍；该结果对应从零训练、无奖励的目标条件规划设置。具体任务、数据规模、指标定义、对照名称及分布外划分尚未验证，不能将“两倍”解释为准确率提升。 BCI 关联与边界：本文主要对象是环境动作响应与规划，而非 EEG 解码，摘要未提供 BCI 验证。平台推测（待验证）：若未来 EEG 闭环系统也以 INR 权重表示状态，并具有可观测的动作—响应数据，可检验排列等变机制是否改善目标状态规划；可复用的是权重对称性处理，需改造的是信号表示、动作定义及目标读取模块。低信噪比、跨被试差异、通道变化和小数据可能使动作响应难以辨识。一个可证伪的小实验是在受控模拟中匹配各算子的预测误差，再比较目标达成表现，检验预测相当时等变性是否仍带来规划收益。已有 EEG 相关工作尚未检索确认；全文实验协议、消融及统计信息尚未验证。