世界模型

Driving Beyond Privilege: Distilling Dense-Reward Knowledge into Sparse-Reward Policies

超越特权：将密集奖励知识蒸馏到稀疏奖励策略中

Feeza Khan Khanzada, Jaerock Kwon

机构 * Department of Electrical and Computer Engineering, University of Michigan-Dearborn（电气与计算机工程系，密歇根大学迪尔伯恩分校） 纠错

专题命中 模型式强化学习 ：world model(abstract)；world model(abstract)；latent dynamics(abstract)；model-based reinforcement learning(abstract)

AI总结 本文提出通过密集奖励蒸馏学习稀疏奖励策略，提升自动驾驶在稀疏目标上的泛化能力。

The World Is Bigger! A Computationally-Embedded Perspective on the Big World Hypothesis

世界更大！一个计算嵌入视角下的大世界假说

Alex Lewandowski, Adtiya A. Ramesh, Edan Meyer, Dale Schuurmans, Marlos C. Machado

机构 * University of Alberta（阿尔伯塔大学） ； Amii ； The Swiss AI Lab IDSIA, USI & SUPSI（瑞士AI实验室IDSIA、USI与SUPSI） ； Canada CIFAR AI Chair（加拿大CIFAR人工智能主席） ； Google DeepMind（谷歌DeepMind） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(abstract)；分类 cs.AI

AI总结 本文提出了一种计算嵌入视角下的持续学习方法，通过交互性目标评估智能体在无限状态空间中的适应能力，发现深度线性网络在扩展能力时表现更优。

Comments NeurIPS 2025 (spotlight)