AnyGoal基准：世界模型泛化能力面临组合性挑战

世界模型的核心目标是捕捉环境动态，使智能体能够通过模拟规划行动。然而，这种规划要可靠，学习到的动态必须能泛化到专家轨迹之外的状态-动作组合。尽管数据覆盖、动态泛化与下游规划性能之间的关系至关重要，却一直缺乏系统研究。近期提出的AnyGoal基准，通过组合泛化的视角深入探讨了这一问题：世界模型能否将熟悉的状态和动作因子重新组合成有效的动态？

组合泛化：世界模型泛化的关键考验

AnyGoal的核心思路是构建“目标偏移”的任务变体——这些任务建立在广泛使用的世界模型环境之上，并配有开源库。每个任务的设计都确保：如果世界模型真正学会了底层动态，它就应该能够完成。具体而言，单个状态因子和动作仍然在训练支持范围内，但它们的组合在专家轨迹中很少出现。这类似于让一个只见过“红方块”和“蓝圆球”的模型去理解“红圆球”或“蓝方块”，考验的是模型对因子组合的泛化能力，而非简单的记忆。

这种设计避开了需要全新状态或动作的极端情况，精准地瞄准了组合泛化这一薄弱环节。研究者指出，当前模型在这种重组下“持续表现出失败”，这揭示了世界模型在超越专家演示时的根本局限。

世界模型是智能体对环境动态的内部表征，通常通过大量轨迹数据训练得到，能够根据当前状态和动作预测下一状态。在基于模型的规划中，智能体利用世界模型模拟不同动作序列的后果，从而选择最优行动。世界模型的质量直接决定了规划可靠性，但其泛化能力——尤其是在训练数据未覆盖的状态-动作组合上的表现——仍是核心挑战。

组合泛化指模型将训练中见过的独立因子（如颜色、形状、动作类型）重新组合成新组合的能力。在视觉推理和语言理解中，组合泛化已被广泛研究，但在世界模型领域，它要求模型理解因子间的交互动态，而非简单记忆联合分布。例如，若训练数据只包含“红方块”和“蓝圆球”，模型需推断“红圆球”的物理行为，这考验其对底层因果结构的捕捉。

多环境多模型家族的普遍失败

据论文描述，该研究在多个环境和多种世界模型家族上进行了测试，结果一致地发现：当前模型在组合泛化任务上表现不佳。这种失败并非个别模型的缺陷，而是跨模型家族的普遍现象。研究者进一步分析了动态失败和表示失败，涉及不同的交互机制和评估指标，试图定位模型在哪些方面能够泛化，哪些方面仍然面临挑战。

这一发现具有重要含义：即使世界模型在训练分布内表现良好，一旦需要重新组合已知元素来规划新任务，其可靠性就会大幅下降。对于依赖世界模型进行决策的智能体而言，这意味着在现实世界中部署时可能面临未预见的风险。

目标偏移任务是一种评估组合泛化的实验设计：通过改变任务目标（如将目标状态中的因子重新组合），生成训练分布外但理论上可解的规划任务。这类任务确保单个状态因子和动作仍在支持范围内，但组合在专家轨迹中罕见出现。目标偏移任务能精准测试模型是否学到了因子间的交互规则，而非仅仅拟合专家演示的轨迹分布。

基准与开源库：推动可泛化世界模型的研究

AnyGoal不仅是一个诊断工具，更是一个公开的基准和开源库，旨在为评估世界模型向新规划任务泛化的进展提供基础。通过标准化的任务套件和评估协议，研究者可以更系统地比较不同方法的泛化能力，从而推动领域向真正可泛化的世界模型迈进。

该基准的提出填补了数据覆盖与规划性能之间关系的研究空白。未来，利用AnyGoal进行模型开发和评估，有望帮助研究者设计出更好地捕捉组合动态的架构和训练策略，最终实现能够在陌生但合理的状态-动作组合下可靠规划的世界模型。

更多技术细节和开源资源，可参考原论文及项目页面。