CQM：基于量化世界模型的课程强化学习

基于摘要分析。CQM 研究课程强化学习在高维观测中难以生成课程目标、因而常依赖人工指定目标空间的问题，提出自动构建语义目标空间并在其中安排课程目标的方法。原论文的主要对象是目标到达任务，而非 EEG 解码或 BCI 控制。 机制上，方法通过 vector quantized-variational autoencoders（VQ-VAE）将连续观测离散化，再以图表示离散观测之间的时间关系；课程目标的选择同时考虑不确定性与时间距离，逐步导向最终目标。相较于依赖人工目标空间的路线，其核心贡献在于将目标表征构建与课程目标选择相结合。该机制依赖可学习离散表征的观测数据及其时间关系，摘要未交代具体训练规模、损失设计、图构建规则或不确定性估计方式。 作者报告，在仅提供原始目标示例、环境信息有限的目标到达设置中，该方法能够实现高效探索；在包含第一人称视觉输入的多种目标到达任务上，其数据效率与任务表现优于所比较的先进课程强化学习方法。摘要未提供任务名称、指标数值及基线配置，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 BCI 闭环训练可定义可观测状态与目标到达反馈，这种“离散状态表征—时间关系图—课程目标选择”机制可能用于组织训练难度，而非直接替代 EEG 解码器。可复用的是课程调度思路；观测编码、目标语义与反馈设计需适配 EEG。假设的主要风险是低信噪比、跨被试及通道差异使离散状态失稳，小数据也可能不足以建立可靠的转移关系。一个可证伪的小实验是在固定解码器和同一被试内闭环任务中，以相同交互预算比较固定课程与该类调度，检验目标到达效率及状态表征稳定性。相关 EEG 工作尚未检索确认。