世界模型全文深读与原图讲解

AIM：世界模型不听动作，可能是训练数据太像专家

只收成功示范，是否让模型学会忽略控制指令？

Princeton · Columbia预印本首发 · 近7日补收 2026.10.19

论文公开 · 完整实现未确认

IN A NUTSHELL

专家总在特定状态选择相似动作，世界模型可以靠状态猜未来而不用理解动作。AIM主动收集能揭示动作影响的转移，用更有区分力的数据改善可控性，而不是单纯扩大模型或继续堆专家示范。

图解主要方法

只收成功示范，是否让模型学会忽略控制指令？

1
先定义动作信息瓶颈
用给定状态后动作与后继状态之间的条件互信息，刻画数据中动作影响。在相应分布与正则条件下，数据给模型可表达的动作信息设定上限；这不是对任意分布的一般性能保证。
2
图2：用密度比寻找值得做的实验
逆动力学密度log q(a|s,s′)减行为密度log β(a|s)，奖励能从结果辨认的动作；再加目标状态与采样状态密度比，使探索兼顾目标范围和覆盖。
3
收集—重估—再优化
每轮收新回合后重拟合流密度模型，冻结并给回放转移重新打分，再用IQL和优势加权策略学习。密度散度自蒸馏减少似然计算负担，但仍带来训练成本。
4
固定世界模型检查数据贡献
相同环境使用相同世界模型架构与训练日程，仅改变数据来源；用未跟随专家的策略评测动作响应，而不只看正常成功视频是否流畅。

已阅读正文与方法、实验相关附录，核对实验条件与原图；未独立复现。

来源证据约3K专家回合加500个AIM回合，在特定H=10末端控制指标上匹配300K专家回合，约85倍回合数差。 §4 Push-T 数据效率 ↗

我的解读这是指定指标的数据量比较，不是85倍算力节省或所有物体交互都达到同等效果。

来源证据BC联合召回由.203到.344；但BC Failure的.411仍低于300K专家的.432，Push Away的.165低于.198。 Table 1，H=33 ↗

我的解读不同分布收益不同，反常行为与物体响应仍未被完全覆盖。

来源证据每数据/规模/分辨率只训练一个模型，100轨迹×3推理种子用于bootstrap；部分消融在特定指标优于完整方法。 Appendix 10、消融 ↗

我的解读置信区间反映评估波动，不包含重新训练方差；不能称所有组件在所有任务必需。

官方GitHub仅README与展示文档，明确Code coming soon；本次未发现训练实现或权重，不标开源。

LICENSECC BY 4.0

独立分析 · 未复现实验

将“动作可控性”定位到数据覆盖与因果区分，适合诊断只会播放合理视频的世界模型。

验证限于模拟导航和Push-T；密度估计、评价分布假设、探索成本及真实机器人风险仍待验证。

数据采集目标具有解释力，但85倍应始终带上回合数、H=10和末端指标限制。

未执行的验证方案：在固定采集与训练预算下比较专家、随机恢复和AIM，分别测机器人及物体响应、长时反事实动作，以及密度重训耗时。