图世界模型

基于摘要分析。Graph World Model（GWM）研究如何让世界模型同时利用非结构化数据与图结构数据，并支持多模态信息和跨领域任务。其核心贡献是用通用消息传递聚合结构化信息，并将不同任务表示为动作，通过动作节点与状态中的其他节点建立联系。 机制上，GWM 提供两种统一表示路径：GWM-T 将多模态数据转换为文本，在统一的多模态 token 空间处理；GWM-E 使用模态专用编码器，在统一的多模态嵌入空间处理。动作节点通过直接引用或相似度计算连接其他节点。摘要将其与主要面向非结构化数据的既有世界模型，以及主要面向图学习任务的图基础模型区分开来，但具体消息传递实现、动作表示、损失、训练与推理流程尚未验证。 作者报告，在六项跨领域任务实验中，同一 GWM 的表现超过或达到领域专用基线，并受益于多跳结构，在未见新任务上具有零样本／少样本能力。摘要列举了多模态生成与匹配、推荐、图预测、多智能体、检索增强生成以及规划与优化等应用，但未提供各任务的数据集、划分、指标、数值或基线名称，不能据此判断优势幅度与跨任务可比性。作者提供了代码发布地址；运行依赖、模型权重、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可检验的迁移假设是，将 EEG 通道或时间片段表示为节点，以空间或时间关系构图，再用动作节点指定解码任务，可能有助于利用信号间的结构关系。可复用的是消息传递与任务节点机制；需改造的是 EEG 编码器、图连接规则及任务监督。该假设依赖有意义的图结构和足够的训练数据，低信噪比、跨被试差异、通道配置变化与小数据均可能使关系估计不稳；GWM-T 的文本化还可能丢失细粒度波形信息。一个小规模检验是在固定跨被试划分下，保持编码器与训练预算一致，对比有效图连接、打乱连接和无消息传递版本，评估结构是否提供增益。已有 EEG 相关工作尚未检索确认，原领域结果不构成 BCI 有效性证据。