Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond

Paper: arXiv:2604.22748 Code: matrix-agent/awesome-agentic-world-modeling Code reference: main @ 986ea32a (2026-05-11) Homepage: agentic-world-modeling.xyz

1. Motivation (研究动机)

这篇文章的核心问题不是提出一个新的 World Model 训练算法，而是解决 Agentic AI 里“World Model”概念过载、评测错位、跨社区不可比较 的问题。论文指出，RL 社区常把 World Model 理解为可用于规划的状态转移模型，视觉/视频生成社区常关注时序一致的视频未来，Agent 社区关注 Web / GUI / social interaction 的环境模拟，AI for Science 则关注可被实验数据修正的 surrogate model。它们都在谈“世界模型”，但评测指标、失败模式和系统边界并不对齐。

现有方法的瓶颈主要有三类。第一，局部预测不等于可决策模拟：一个模型能做好下一帧、下一 token 或下一状态预测，并不保证多步 rollout 后仍保持对象、UI、社会承诺或科学因果链的一致性。第二，视觉真实不等于行动有效：FID、FVD、SSIM、重建误差等 perceptual metrics 可能看起来很好，却无法暴露 action-insensitive rollout、物理约束违背、GUI 状态机错误、社会角色漂移等会直接破坏 agent 决策的问题。第三，闭环使用不等于模型进化：很多 agent 会反思、重试或重新规划，但如果失败证据没有被诊断、蒸馏为持久资产并通过回归验证进入模型栈，就还不是论文定义的 L3。

Figure 2 解读：图中把已有综述分成 Embodied World Models、Generative World Models、Language Agents、AI for Science 四个簇。本文的位置在中心：它不是再按 modality 或 application domain 切分，而是把这些社区放到同一套 capability × law 坐标中，解释为什么同一个方法在一个社区被认为“会建模世界”，在另一个社区仍可能只是局部预测器。

Figure 1 解读：这张组织结构图显示论文的论证顺序：先在 §2 定义符号、capability 和 laws，再分别展开 L1 Predictor、L2 Simulator、L3 Evolver，最后讨论 evaluation、implementation 和 open problems。对阅读者最重要的是不要把 L1/L2/L3 当成三个互斥模型类型，而应理解为一个 agent 在不同任务需求下调用的能力层级。

论文想解决的具体目标是：给 Agentic World Modeling 一个可操作的分类和评测框架。它提出两条正交轴：能力层级 L1 Predictor / L2 Simulator / L3 Evolver，以及 governing-law regime physical / digital / social / scientific。论文用这套框架综合超过 400 篇工作，并整理超过 100 个代表性系统，试图把 model-based RL、video generation、Web/GUI agent、multi-agent social simulation 和 AI-driven scientific discovery 放到同一张地图中。

这个问题值得研究，因为 agent 从“生成文本”走向“持续交互完成目标”后，真正的瓶颈变成了环境动力学建模：机器人要预测接触和稳定性，GUI agent 要预测 DOM / 权限 / API 状态，社会 agent 要预测信念、承诺和规范，科学 agent 要预测实验结果并在证据失败时修正假设。没有共同语言，就无法判断一个模型究竟只是会预测、能否被 planner 用于多步决策，还是已经能根据新证据更新自身模型栈。

2. Idea (核心思想)

本文最核心的新意是把 World Model 从“某种模型架构”重新定义为 agent 在环境中可调用的能力层级：L1 负责局部转移预测，L2 把局部算子组合成受约束的多步 simulation，L3 在预测失败后把证据转化为持久、可验证的模型更新。第二条轴不是 modality，而是 rollout 必须遵守的 law：physical、digital、social、scientific 四类世界具有不同的约束、可观测性和失败模式。

Figure 3 解读：四个场景分别对应 Physical World、Digital World、Social World、Scientific World。图的关键不是例子本身，而是说明“世界”不是单一概念：物理世界重视几何、接触和守恒；数字世界重视 API、DOM、权限和状态机；社会世界重视信念、规范、角色和反身性；科学世界重视可证伪实验、仪器约束和因果链。

与传统 taxonomy 的根本差别在于，本文不按“video model / robot model / language agent / science agent”分桶，而按 模型查询能支持什么决策 来分层。比如 DreamerV3、TD-MPC2、Sora、Genie、CICERO、GraphCast、FunSearch、AlphaEvolve、A-Lab 这些系统看似跨度很大，但可以统一问三个问题：它是否只是预测下一步？是否能在给定动作序列和约束下产生可用于决策的 rollout？当 rollout 被证据推翻时，它是否会持久修改模型资产并通过验证门控？

Figure 5 解读：图把三层能力放在一条上升路径上：L1 是从 observation 中学习 regularities，L2 是 possible-world / counterfactual simulation，L3 是 evidence-driven revision。它解释了为什么 L2 不是“更大的 L1”：L2 的难点在 rollout composition 和 law constraints；也解释了为什么 L3 不是“带 planner 的 L2”：L3 的对象变成模型栈本身 $M_{t} \to M_{t + 1}$ 。

3. Method (方法)

3.1 总体框架：levels × laws

论文的“方法”是一套形式化框架，而不是一个训练 pipeline。它把世界模型写成 agent 可查询的环境动力学表示：底层有 latent state $z_{t}$ 、observation $o_{t}$ 、action $a_{t}$ 、环境 transition $T$ 和 observation mechanism $O$ ；上层用 $\overset{p}{^} (\cdot)$ 表示由局部模型组合得到的 trajectory-level distribution。最重要的 formal split 是：普通 one-step dynamics 写作 $p_{θ} (z_{t} ∣ z_{t - 1}, a_{t})$ ；多步、受约束的 rollout 才写作 $\overset{p}{^} (τ ∣ z_{0}, a_{1 : H}, c)$ ，其中 $c$ 是 governing-law constraint。

Figure 7 解读：蓝色虚线框是一条局部边上的 L1 Predictor，绿色虚线框是把多个 L1 transition 组合成 trajectory 的 L2 Simulator，红色虚线框则表示 L3 Evolver 会在 evidence $d_{t}$ 出现后执行 reflect，把模型栈从 $M_{t}$ 更新到 $M_{t + 1}$ 。这张图是全文最重要的“架构图”：它把 latent chain、environment dynamics、observation、action 和 model revision 放在同一个 POMDP 图模型里。

直觉上，这个框架有效的原因是：agent 决策需要的不是“像真的未来”，而是“足够可靠、可干预、守约束的未来”。如果一个视频模型生成的画面很逼真但不随动作变化，它对 planning 没用；如果一个 GUI agent 的 rollout 看起来合理但违反权限或 DOM 状态机，它会选择不可执行动作；如果一个科学 surrogate 能拟合已有实验但不能在异常证据下修正假设，它无法支持 discovery。L1/L2/L3 把这些差异变成可检查的边界条件。

3.2 L1 Predictor：局部 Markov prediction

L1 的定义是局部预测算子，而不是完整世界模拟。论文把 L1 factorize 成最多四个组件： $q_{ϕ} (z_{t} ∣ o_{\leq t}, a_{\leq t - 1}), p_{θ} (z_{t} ∣ z_{t - 1}, a_{t}), p_{ψ} (o_{t} ∣ z_{t}), π_{η} (a_{t} ∣ z_{t - 1}, z_{t}) .$ 它们分别对应 inference / filtering、forward dynamics、observation decoder、inverse dynamics。L1 的目标是 one-step 或 short fixed-horizon 的准确性；它可以用 VAE、CPC、SimCLR、V-JEPA、Dreamer、TD-MPC、IRIS、DIAMOND 等方法实现，但它不承诺多步 composition 后仍可用。

L1 operator	Mapping	作用	典型失败
State inference	$o_{\leq t}, a_{\leq t - 1} \to z_{t}$	把高维观测压缩为决策相关 latent belief	state aliasing、丢失 affordance
Forward dynamics	$(z_{t - 1}, a_{t}) \to z_{t}$	预测下一 latent state，是 L1 核心	compounding error、uncalibrated uncertainty
Observation decoding	$z_{t} \to o_{t}$	提供重建/生成式训练信号	视觉好但决策信息不足
Inverse dynamics	$(z_{t - 1}, z_{t}) \to a_{t}$	反推动作，塑造 representation	action ambiguity、只学相关性

3.3 L2 Simulator：decision-usable multi-step simulation

L2 的问题不是“下一步是什么”，而是：给定初始 state $z_{0}$ 、候选动作序列 $a_{1 : H}$ 和约束 $c$ ，未来 trajectory $τ = (z_{1}, \dots, z_{H})$ 是否足够可靠，能让 planner 在真实执行前比较方案。形式上： $\overset{p}{^} (τ ∣ z_{0}, a_{1 : H}, c), τ = (z_{1}, \dots, z_{H}) .$ 从 L1 到 L2 的关键是 law constraint 会跨步耦合整个 trajectory。论文给出概念式： $\overset{p}{^} (τ ∣ z_{0}, a_{1 : H}, c) \propto \prod_{t = 1}^{H} p_{θ} (z_{t} ∣ z_{t - 1}, a_{t}) ϕ_{c} (τ),$ 其中 $ϕ_{c} (τ)$ 是全轨迹的 governing-law compatibility term；硬约束 $1 [c (τ)]$ 只是特例。也就是说，L2 distribution 不能被看成独立 one-step terms 的简单乘积，因为约束可能依赖整个 rollout。

L2 必须同时满足三个边界条件：

Boundary condition	Physical	Digital	Social	Scientific
Long-horizon coherence	多步操控中对象持久、接触稳定	DOM / filesystem 在多步 UI/code interaction 中一致	多轮对话中的承诺和关系稳定	实验序列中的因果链有效
Intervention sensitivity	改变力/位置会按方向改变 grasp outcome	注入 popup / timeout 会触发合理 replan	改变一个 agent 的策略会改变谈判结果	参数变化会引起正确 measurement shift
Constraint consistency	不穿模、守恒、运动学可行	API contract、type constraint、state machine 合法	norm compliance、belief consistency	守恒律、causal graph、evidence chain 合法

Figure 8 解读：横轴表示 transition rules 的形式化和机械验证程度，纵轴表示 state / constraints 的可观测程度。Digital World 通常规则明确、可自动检查；Social World 规则和状态都更隐含；Physical World 约束强但 sim-to-real 和接触不稳定；Scientific World 有强理论约束但实验状态、仪器和证据链会限制观测。这说明 L2 评测不能只看一个统一 benchmark。

3.4 L3 Evolver：evidence-driven model revision

L3 把“使用世界模型”提升为“修改世界模型”。它要求系统不仅能做 simulation query，还能维护一个模型资产更新回路： $(M_{t}, d_{t}) diagnose + distill + validate M_{t + 1},$ 其中 $M_{t}$ 是当前 world-modeling stack， $d_{t}$ 是来自部署的 evidence，例如 trajectories、errors、counterexamples、tests。论文进一步把完整闭环写成： $M_{t} design a_{t} execute o_{t} observe d_{t} reflect M_{t + 1} .$ L2→L3 的三个边界条件是：evidence-grounded diagnosis、persistent asset update、governed validation。也就是说，失败必须可回放并能归因；修复必须进入 reusable assets（规则、技能、parser、tests、参数或结构），而不是只作为当前 prompt 的临时补丁；更新必须通过 regression / robustness / rollback / canary gate 后才能默认启用。

Figure 9 解读：L3 的 design–execute–observe–reflect loop 与科学实践非常接近：系统主动设计实验来探测 epistemic gap，执行并收集 evidence，再把 anomaly 转成模型更新。图中“Information Entropy Reduction”和“Epistemic gap”强调 L3 不是 reward maximization 的别名，而是通过证据降低模型不确定性。

Figure 10 解读：四个 panel 展示 L3 在不同 law regime 中的具体形态：物理智能里是 contact dynamics / morphology 的自我建模，数字智能里是 evaluator-driven program search 和 regression gates，社会智能里是 norm drift 触发 social-model revision，科学智能里是自动实验平台根据 XRD 等证据修正 surrogate 或 hypothesis。

3.5 Capability dispatch：同一 agent 可以动态调用不同层级

论文强调 L1/L2/L3 不是静态分类标签，而是 runtime capability。一个 deployed agent 在低层 motor control 或 token generation 时可能只调用 L1；在需要比较 action sequence、做 counterfactual planning 或检查约束时提升到 L2；当系统性预测失败无法靠重新规划解决时，才进入 L3，把模型自身当成 revision target。

def dispatch_world_model(task, evidence, model_stack):
    if task.requires_only_local_prediction():
        return l1_predict(model_stack, task.current_state, task.next_action)
 
    if task.requires_plan_comparison() or task.has_governing_constraints():
        rollouts = l2_simulate(
            model_stack,
            z0=task.current_state,
            action_sequences=task.candidate_plans,
            constraint=task.governing_law,
        )
        if rollouts.satisfy_boundary_conditions():
            return select_plan(rollouts)
 
    if evidence.has_systematic_prediction_failures():
        diagnosis = diagnose_failures(model_stack, evidence.replayable_traces)
        update = distill_persistent_asset(diagnosis)
        if validate_with_regression_gates(model_stack, update):
            return promote_update(model_stack, update)
 
    return request_more_evidence(task, model_stack)

3.6 Evaluation protocol：从生成质量转向决策质量

论文主张评测单位应从 one-step prediction 或 perceptual realism 转向 trajectory-level rollout： $\overset{p}{^} (τ ∣ z_{0}, a_{1 : H}, c), τ = (z_{1}, \dots, z_{H}) .$ 两个 aggregate metrics 直接连接 world-model quality 和 downstream decision： $ASR = \frac{1}{N} \sum_{i = 1}^{N} 1 [task_{i} succeeds under policy derived from \overset{p}{^}],$ 其中 ASR 衡量“用该 world model 选出来的策略在真实环境中是否完成任务”。论文还提出 COD（Counterfactual Outcome Deviation）来度量 intervention sensitivity：比较从同一 $z_{0}$ 出发、只在动作或初始条件上做反事实扰动的两个 rollout 终点差异，若 COD 很低，说明模型对 action change 不敏感，即使画面真实也不适合 planning。

def evaluate_l2_rollout(world_model, benchmark, constraint):
    scores = []
    for episode in benchmark.episodes:
        z0 = world_model.infer_state(episode.history)
        candidate_plans = episode.generate_candidate_action_sequences()
        rollouts = [world_model.rollout(z0, plan, constraint) for plan in candidate_plans]
 
        coherence = measure_long_horizon_degradation(rollouts)
        sensitivity = measure_counterfactual_divergence(world_model, z0, candidate_plans)
        consistency = check_governing_law_violations(rollouts, constraint)
        chosen_plan = planner_selects_action(rollouts, coherence, sensitivity, consistency)
        asr = benchmark.execute_and_score(chosen_plan)
        scores.append({"ASR": asr, "coherence": coherence, "COD": sensitivity, "validity": consistency})
    return aggregate_with_tail_statistics(scores)

3.7 Released repo / code inspection

Code reference: main @ 986ea32a (2026-05-11) — pseudocode and mapping based on this commit

公开仓库是论文的 companion website、awesome-list 和 contribution workflow，并不是模型训练实现；未发现训练脚本、loss implementation 或实验 launch config。因此本笔记没有从仓库报告任何训练 hyperparameter。仓库仍然有可复现锚点：src/data.ts 固化 paper metadata、statistics、levels 和 regimes；skills/add-paper/SKILL.md 把论文 taxonomy 变成 issue submission contract；scripts/paper-agent.cjs / .github/workflows/paper-format.yml 把结构化 awwm-paper block 插入 README。

Paper Concept	Source File	Key Class/Function
Paper metadata, 400+ works, 100+ systems, 3 levels, 4 regimes	`src/data.ts`	`PAPER_TITLE`, `PAPER_URL`, `STATS`, `LEVELS`, `REGIMES`
Companion web presentation	`src/main.ts`, `src/pretext-render.ts`, `src/style.css`	site rendering and visual intro assets
Taxonomy contract for new papers	`skills/add-paper/SKILL.md`	Axis 1 L1/L2/L3, Axis 2 Physical/Digital/Social/Scientific, composition rule
Automatic README insertion	`scripts/paper-agent.cjs`	`normalizeSubmission`, `ensureValidSubmission`, `renderEntry`, `insertEntry`, `applySubmission`
CI workflow for paper-format submissions	`.github/workflows/paper-format.yml`	parses issue body / submission and opens formatted updates
Frozen paper copy in repo	`paper.pdf`	companion PDF matching the arXiv paper surface

def normalize_awwm_submission(raw):
    arxiv_id = extract_arxiv_id(raw.get("arxiv_id") or raw.get("paper_url"))
    paper_url = canonical_arxiv_url(arxiv_id) if arxiv_id else normalize_url(raw["paper_url"])
    section = normalize_section(raw.get("section"), raw.get("subsection"))
    ensure_valid_section_pair(section)  # L1 operator-family, L2/L3/Benchmark law-regime pairs
    return {
        "section": section,
        "title": normalize_whitespace(raw["title"]),
        "paper_url": paper_url,
        "venue": raw.get("venue", "arXiv"),
        "year": int(raw["year"]),
        "summary": summary_from_abstract(raw),
        "code_url": normalize_url(raw.get("code_url")),
        "homepage_url": normalize_url(raw.get("homepage_url")),
    }
 
 
def apply_awwm_submission(readme, submission):
    item = normalize_awwm_submission(submission)
    if has_paper_entry(readme, item["paper_url"]):
        return {"skipped": True, "reason": "README already contains paper"}
    entry = render_markdown_entry_with_badges(item)
    return insert_entry_under_taxonomy_heading(readme, item["section"], entry)

论文公式与 released code 实现差异：本仓库不是算法实现仓库，没有 released training code 与论文公式逐行对应；因此未发现“论文公式 vs released code loss / sampling path”这类可比差异。可确认的差异是 scope difference：论文给出 conceptual framework 和评测协议，仓库实现的是 companion website、awesome list 和 paper submission automation。

4. Experimental Setup (实验设置)

这是一篇 position-driven survey / taxonomy paper，没有训练新模型，也没有一个可复现实验 launch script。因此“实验设置”应理解为文献综合、benchmark coverage analysis 和 evaluation protocol design，而不是常规 supervised / RL training setup。

数据与规模。 论文称综合超过 400 篇工作，并整理超过 100 个 representative systems。仓库 src/data.ts 的 companion website 统计也固定为 400+ Cited Works、100+ Representative Systems、3 Capability Levels、4 Governing Regimes。L2/L3 和 evaluation 部分覆盖的系统横跨 model-based RL、video generation、Web/GUI agent、multi-agent social simulation、AI-driven scientific discovery。

代表性 benchmark anchors。 论文按 governing-law regime 给出 compact anchors：

Regime	Benchmarks / datasets	Scale / metric
Physical	Atari 100k, Meta-World, CALVIN, RoboCasa, nuScenes	Atari 100k 覆盖 26 games / 100k steps；Meta-World 有 50 manipulation tasks；CALVIN 有 24 hours teleoperated play data 和 20K language directives；nuScenes 有 1000 scenes、mAP / NDS
Digital	OSWorld, SWE-bench, WebArena, Mind2Web, AppAgent, AndroidWorld	task success、resolve rate、web / GUI interaction success
Social	ToMi, BigToM, OpenToM, Sotopia, AgentBench, Werewolf / Avalon	false-belief accuracy、belief accuracy、social score、role/norm compliance
Scientific	ScienceWorld, DiscoveryBench, ChemCrow, FutureX	task completion、hypothesis accuracy、validity under evidence constraints

Baseline methods. 论文不是统一实验比较，因此没有单一 baseline table；它用代表性系统作为 anchors。例如 L1 包含 VAE / VQ-VAE / CPC / SimCLR / MoCo / V-JEPA / Dreamer / TD-MPC / IRIS / DIAMOND；L2 包含 MuZero、DreamerV3、TD-MPC2、Sora、Genie、CICERO、GraphCast、WebWorld、NeuralGCM 等；L3 包含 AdaptSim、Self-Modeling、FunSearch、AlphaEvolve、CodeIt、SWE-agent、A-Lab、CAMEO、BacterAI、AI Scientist v2 等。

Evaluation metrics. 论文主张用三类 boundary condition 组织评测：long-horizon coherence、intervention sensitivity、constraint consistency。常见指标包括 ASR、COD、task success、resolve rate、success cliff by horizon、constraint violation count、regime-specific validity check、tail statistics（stratified bootstrap confidence interval、IQM、performance profile）。作者还提出 MREP（Minimal Reproducible Evaluation Package）：version locking、trace logs、failure taxonomy、tail statistics、boundary condition mapping。

Training config / hardware / hyperparameters. 论文未训练新模型，released repo 也不是训练代码；没有 GPU type/count、LR、batch size、training steps 这类 launch config。Table 12 给的是 deployment latency budget，而非测得 throughput：real-time robotics <100 ms，autonomous driving <200 ms，embodied navigation 100–500 ms，Web/GUI agents 约 1–5 s，offline scientific planning 可到 minutes 级。

5. Experimental Results (实验结果)

本文的“结果”是 taxonomy-driven findings，而不是一个新模型的 SOTA 数字。最重要的实证结论是：只看感知质量或 one-step prediction 会系统性高估 world model 的 agentic usefulness；跨 regime 的失败模式不同，因此必须把 evaluation protocol 明确映射到 L1/L2/L3 与 governing law。

Figure 4 解读：timeline 放了 2018–2026 的 70 个 survey anchors，每个 year–level cell 最多 5 个系统。它显示 L1/L2/L3 不是线性替代关系：L1 表示 one-step dynamics，L2 表示 decision-usable rollout，L3 表示 evidence-driven revision；很多所谓 agentic systems 仍主要落在 L1/L2，而完整 L3 只在少数 well-instrumented scientific 或 regression-gated digital domains 中更接近成立。

Figure 6 解读：历史图把 world modeling 放在 Mathematical Principles、Symbolic Intelligence、Connectionist Resurgence、Generative Revolution 四个阶段中。作者借此说明：好的 world model representation 不应绑定某一种实现形态；符号、latent、3D structured state、programmatic state 都可能承载世界模型，关键是它能支持何种 decision query 和 revision loop。

Benchmark coverage findings. Table 10 显示同一个 benchmark 可覆盖不同 capability level，但 L3 coverage 明显稀缺：Atari 100k、Meta-World、CALVIN、RoboCasa、nuScenes、OSWorld、WebArena、Sotopia、ScienceWorld 多数覆盖 L1/L2 而不覆盖 L3；SWE-bench 和 DiscoveryBench 被标为同时覆盖 L1/L2/L3，因为它们能通过 resolve / hypothesis verification 与执行反馈部分评估可持久修正的能力。论文还指出 WorldModelBench 覆盖 7 domains、56 subdomains、350 prompts 和 67K human labels，并发现 14 个 frontier models 在 constraint consistency 上普遍有缺口。

Ablation-style insight / component importance. 由于不是单一模型，论文没有传统 ablation 数字；但它给出的是“概念消融”：如果只有 L1，没有 multi-step coherence，planner 会受 compounding error 误导；如果 L2 缺少 intervention sensitivity，模型会生成看似合理但不随行动改变的未来；如果 L2 缺少 constraint consistency，rollout 会违反物理、API、社会规范或科学因果链；如果 L3 缺少 persistent asset update 和 governed validation，所谓 self-improvement 只是 prompt-level retry，不是模型进化。

Cross-domain findings. Physical regime 的主要瓶颈是 contact instability、drift、sim-to-real gap；Digital regime 的主要瓶颈是 API contract、UI state、race condition 和 permission consistency；Social regime 的主要瓶颈是 hidden mental states、role drift、goal forgetting 和 norm ambiguity；Scientific regime 的主要瓶颈是 hallucinated mechanisms、calibration、instrument/data budget 和 evidence-chain validity。Table 13 把这些差异进一步转成设计 roadmap：Physical L2 倾向 3D / object-centric state 与 latent MBRL / neural ODE rollout；Digital L3 依赖 versioned tests / execution traces 与 regression-gated updates；Scientific L3 依赖 protocol、surrogate model 和 active Bayesian learning。

Limitations / open problems. 作者明确指出 L3 不是终点。真正困难的问题包括：可验证的 long-horizon rollout、可解释的 intervention sensitivity、跨 law regime 的 compositional benchmarks、从 transient reflection 到 persistent model update 的安全门控、社会模型中的伦理和归因、科学模型中的稀缺实验预算，以及“laws themselves evolve”时如何学习 meta-transition operator。MREP 也只是最小报告标准，无法替代真正覆盖全部 boundary conditions 的 benchmark。

Overall conclusion. 论文的贡献在于把 World Model 从“生成未来”推进到“支持 agent 决策并在证据失败时修正自身”的路线图。L1 解决局部预测，L2 解决受约束的多步 simulation，L3 解决模型栈的证据驱动进化；四类 law regime 则提醒我们，世界模型的失败不只是数值误差，而是约束、可观测性和验证机制的错配。

Paper Notes

探索

Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond

Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond

1. Motivation (研究动机)

2. Idea (核心思想)

3. Method (方法)

3.1 总体框架：levels × laws

3.2 L1 Predictor：局部 Markov prediction

3.3 L2 Simulator：decision-usable multi-step simulation

3.4 L3 Evolver：evidence-driven model revision

3.5 Capability dispatch：同一 agent 可以动态调用不同层级

3.6 Evaluation protocol：从生成质量转向决策质量

3.7 Released repo / code inspection

4. Experimental Setup (实验设置)

5. Experimental Results (实验结果)

目录