ConfigWM：用任务条件实现可配置感知的世界模型

现实观测往往含噪，并夹杂大量与任务无关的信息。有效的世界建模与规划需要把观测抽象为世界状态表示，同时过滤无关信息。但现有世界模型模型AI 模型的简称，指经过训练、能从输入算出输出的程序。机器人的模型输入画面和指令，输出动作。◆ 小白科普 · 现身的编码器通常不具备自适应性，导致状态表示易受任务无关信息干扰，难以针对不同任务需求选择性地过滤观测。

针对这一问题，研究者提出 ConfigWM，通过任务条件化的状态提取实现可配置感知。给定当前任务的自然语言描述，ConfigWM 将其作为配置信号，引导视觉嵌入映射到任务特定的状态空间，选择性地保留与当前任务相关的信息、抑制无关变化，并在该任务特定状态空间中学习动作条件动态以用于规划。

研究者在干扰程度递增的环境中评估 ConfigWM。随着环境噪声增加，现有方法的规划成功率明显下降，而 ConfigWM 相对稳定，在多种环境中平均优于最强对比方法 22.3%。物理量探针取得 +0.365 Pearson r 的一致提升，干扰到干净检索提升 +75.5%，表明 ConfigWM 学到的状态在保留任务相关信息的同时对干扰更稳健。项目页面已公开。