状态变化预测如何塑造潜在世界模型中的表征

基于摘要分析。本文研究潜在世界模型中，预测未来观测的完整表征与预测相对当前表征的变化，如何影响动作相关信息及其控制用途。作者在 LeWM 内比较 next-state prediction 与 state-change prediction，提出的 State-Change LeWM 预测潜在更新量，再将其加到当前表征上。 核心机制是通过恒等路径保留当前状态，让预测器建模状态变化；比较时匹配架构、训练数据和表征正则化。作者报告，在所评估的四项控制任务上，State-Change LeWM 的平均规划成功率均更高，四任务等权平均成功率由 80.90% 提升至 86.15%。在冻结表征上训练策略时，作者报告 Reacher 和 Cube 的成功率分别提高 5.2 和 3.8 个百分点。编码器—预测器交叉比较及动作读出分析将收益与预测形式和学得的表征联系起来；多步滚动预测中，作者报告三项任务的潜在误差更低，全部四项任务的解码 PSNR 更高。 摘要未提供完整任务列表、数据规模、划分、随机种子及统计不确定性；具体损失、正则化、规划设置、消融细节与复现条件尚未验证，不能据此判断跨任务或跨领域泛化能力。 平台推测（待验证）：若 EEG 控制任务包含连续观测、动作及对应后续状态，可检验“保留当前状态、仅预测变化”是否有助于学习动作相关动态。可复用潜在更新与恒等相加机制，但需改造 EEG 编码器及动作—观测时间对齐；低信噪比、跨被试或通道差异可能使变化项主要拟合噪声，小数据也可能削弱收益。一个可证伪的小实验是在相同 EEG 数据划分、编码器和训练预算下比较两种预测目标，同时评估冻结表征的动作读出与多步预测误差。原控制任务结果不构成 EEG/BCI 有效性证据，已有 EEG 相关工作尚未检索确认。