SpikeWorld：利用紧凑状态适应冻结世界模型

基于摘要分析。本文研究世界模型如何在不改写已学习表征的情况下，利用后续观测暴露的预测误差进行在线适应。SpikeWorld 将下一事件预测—语义模型与有界外部快速状态结合，把离线学习的共享计算与在线写入的残差校正分开，使部署时的适应能力由明确受限的可变状态承担。 机制上，已完成的动作作为后续预测的监督信号，另设独立评分状态校准已登记的动作变换。摘要尚未交代快速状态的具体表示、更新方程、损失形式，以及评分状态与预测校正之间的交互方式，不能据此认定其采用某种特定状态空间架构。 作者报告，在已登记执行器变化构成的持续数据流上，29 KB 可变状态取得 19.3% 的 prequential（先预测、后更新）预测增益；预测路径调优取得 21.9% 的增益，但使用的可变状态为其 67 倍。这里的增益不是 Accuracy，摘要未说明其计算公式及参照基线。作者还报告，受控形成测试确立了时间预测结构，并在同一数据流上采用 routed matrix RLS 比较，作为紧凑执行器辨识的参照。数据规模、划分、状态存储口径、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设是冻结 EEG 预测表征，仅用小型外部状态校正跨会话漂移；其原领域机制依赖时序数据、动作登记信息及动作完成后的监督反馈。外部状态与在线校正接口可能复用，但 EEG 的监督来源、通道变化处理和状态更新规则需要改造。低信噪比、被试差异与小数据可能使在线状态追随噪声；执行器变化也不能直接等同于 EEG 分布漂移。一个可证伪的小实验是在有时间顺序的跨会话 EEG 数据上，固定同一表征，比较无适应、紧凑状态校正和预测路径调优，严格先预测后更新，并同时记录任务指标与可变状态字节数。已有 EEG 相关工作尚未检索确认。