PAWM：用坑点预判世界模型引导黑盒LLM智能体

PAWM 选择性预判坑点，作者报告显著提升黑盒智能体表现。

资讯摘要

论文提出 Pitfall Anticipation World Model（PAWM），针对黑盒 LLM 智能体缺乏特定环境知识的问题，主张世界模型不必逐步预测观测，而应在有界多步未来内预判潜在坑点并选择性介入。PAWM 分两阶段训练：先用标注智能体坑点的合成数据做监督微调，再与黑盒 LLM 进行 GRPO 协同训练。作者报告其在 ScienceWorld 上使 Claude Sonnet 4.5 性能提升 24.3%，在 WebArena-Lite 上提升 7.7%，优于多种基线。

要点速读

1. 论文指出逐步预测下一观测成本高且信息有限，提出世界模型应预判多步未来内的坑点并在需要时介入。
2. PAWM 采用两阶段训练：坑点标注合成数据上的 SFT，以及与黑盒 LLM 的 GRPO 协同训练。
3. 作者报告 PAWM 使 Claude Sonnet 4.5 在 ScienceWorld 提升 24.3%、WebArena-Lite 提升 7.7%。

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 2026/10/23 08:00:11（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。