面向在非静态环境中可靠学习、验证与适应的 Agent 的基础世界模型

下一代自主代理不仅需高效学习，更须在开放世界中可靠行动并适应行为变化。针对现有方法局限于固定任务的不足，本文提出基础世界模型愿景：一种融合强化学习、反应式程序合成与抽象机制的持久化组合表示。该框架包含可学习奖励模型、自适应形式化验证、在线抽象校准及验证引导的测试时合成四大组件，旨在使代理能从少量交互中推导新策略，并在适应新颖性时保持正确性与可解释性。