端到端特征预测世界模型中的表征选择

基于摘要分析。本文研究视觉潜在世界模型中的表征选择问题：端到端联合嵌入预测为何可能优先保留容易预测的信息，却弱化较难预测但与任务相关的因素。作者将这一现象形式化为 predictability bias（可预测性偏置），并分析显式目标监督如何重新分配有限表征容量、改善规划与任务目标的对齐。 核心机制是：联合嵌入架构通过动态更新目标编码器，在不显式重建视觉输入的情况下进行潜在表征预测；预测目标本身因此成为隐式特征选择器。在有限容量及结构假设下，较难预测的任务相关因素可能被边缘化。作者进一步推导了一个充分条件，说明保留目标变量即使提高纯预测误差，也能改善模型原生规划评分与任务代价之间的对齐。具体结构假设、目标变量定义及监督形式尚未验证。 作者报告，受控的精确白化与动作条件化实验验证了由可预测性驱动的因素选择；另在包含四项任务的连续控制评估中，在相同部署条件下，显式目标监督提高了原生闭环成功表现。摘要未给出任务名称、成功率数值、训练数据规模或具体对照配置，不能据此量化增益或推断其普遍性；实验协议、消融及统计信息尚未验证。 该研究的主要对象是视觉世界模型与连续控制，而非 EEG 或 BCI。其阅读价值在于区分“潜在动态预测误差”与“规划所需信息是否被保留”，但摘要不足以建立针对 EEG 的具体机制对应，不能将其结果直接视为神经信号表征学习的有效性证据；已有 EEG 相关工作尚未检索确认。