LLM-State：面向开放世界长时程任务规划的可扩展状态表示

基于摘要分析。该研究面向开放世界家庭环境中的 LLM 长时程任务规划，提出 LLM-State，以持续扩展和更新对象属性的状态表示，缓解关键对象及属性跟踪不足导致的规划错误，同时减少对高度工程化状态特征与反馈的依赖。研究对象是家庭环境任务规划，并非 EEG 信号建模或 BCI 解码。 核心机制是利用 LLM 的上下文理解与历史动作推理能力，维护对象属性及其变化记录，并回顾、总结导致当前状态的动作序列，以持续更新世界模型，为后续决策提供上下文。其方法重点在显式状态维护与历史推理，而非仅依赖一次性输入完成规划；摘要未说明状态表示格式、更新触发条件、训练方式及推理流程，也不能因来源栏目为 State space models 就将其视为神经状态空间模型架构。 作者报告，在仿真与真实世界任务规划场景中，该方法相较基线在多种需要长时程状态跟踪与推理的任务上取得显著改善。摘要未提供任务数量、基线名称、指标、具体数值或统计检验信息，因此改善幅度、实验协议、消融及统计信息尚未验证。复现需进一步核对对象属性的获取方式、状态更新规则、历史摘要策略及环境反馈接口。 平台推测（待验证）：若 BCI 辅助交互系统能提供结构化的意图、动作与环境反馈，该机制可能用于维护跨多轮交互的任务状态，而不是直接提高 EEG 解码性能。可复用对象属性记录与动作回顾模块，但需改造输入接口，处理低信噪比、跨被试或通道变化造成的识别不确定性；错误意图若被写入状态，可能在长序列中累积。一个可检验的小实验是在固定解码器和相同任务序列下，对比有无显式状态维护的规划器，并注入受控的意图识别错误，评估任务完成率与错误恢复能力。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性的证据。