回归简约潜变量：从视觉基础模型中学习面向任务的世界模型

世界模型使智能体能够基于动作预测未来动态，其中潜变量表示的选择对规划与控制至关重要。现有方法要么缺乏语义结构，要么包含过多无关细节，导致状态空间难以匹配下游任务。为此，本文提出 TC-WM 框架，将预训练嵌入空间作为语义支架，通过线性投影生成紧凑的动态潜变量，并利用对比学习对齐物理状态，同时重构嵌入以保留视觉结构。理论证明该方法足以识别潜在的面向任务因子。实验表明，TC-WM 在多种环境中实现了更优的建模质量与更精准的控制。