因果世界模型在因果依赖可识别且可用于规划时才有效。
资讯摘要
论文指出，在模块化LLM智能体系统中，纯观测式世界模型即使能准确建模观测轨迹，也会在干预时产生不可消除的误差。作者提出CausalCompose因果世界模型框架，为智能体引入因果结构以支持干预感知的预测与规划，并从理论上说明因果组合可在证据充分、局部误差受控时弥合这一干预差距。多环境实验显示，引入因果结构能持续改善干预敏感推理与规划，在因果依赖直接决定动作执行的结构化工具使用系统中提升尤为明显。
要点速读
- 论文发现纯观测式世界模型在模块化智能体中存在干预时误差，即使观测轨迹建模准确。
- 作者提出CausalCompose框架，用因果结构实现干预感知的预测与规划，并给出理论分析。
- 实验显示因果结构在结构化工具使用系统中对干预敏感推理与规划提升最明显。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。