知识卡片：AnyGoal——世界模型在专家轨迹之外的组合泛化评测

一句话结论

AnyGoal 是一个面向世界模型“组合泛化”的目标偏移任务基准与开源库：它刻意让单个状态因子与动作都落在训练支持集内、只让它们的组合在专家轨迹中欠采样，结果发现当前多个模型族在这些重组情形下持续失败。

事件概述或研究问题

• 论文关注世界模型的一个可靠使用前提：学到的动力学必须在专家 rollout 中出现的具体“状态-动作”组合之外仍然表现良好。
• 作者指出，数据覆盖度、动力学泛化与下游规划性能三者之间的关系仍缺乏充分研究。
• 研究切入点是组合泛化：世界模型能否把熟悉的状态因子与动作因子重新组合成有效的动力学。
• 为此提出 AnyGoal：由常用世界模型环境改造出的“目标偏移”任务变体集合，并配套开源库。
• 任务设计原则：对已学到底层动力学的模型而言任务应是可完成的——单个状态因子和动作仍在训练支持范围内，但其组合在专家轨迹中代表性不足。
• 论文在多个环境与多个世界模型族上评估，并分析动力学失败与表征失败，覆盖不同模型族、交互模式与评价指标。
• 作者称该框架、基准与分析为评估“能泛化到新规划任务的世界模型”的进展提供了基础。
• 作者列表：Heejeong Nam、Divyat Mahajan、Quentin Le Lidec、Randall Balestriero、David Klindt；arXiv 编号 2610.26844v1，cs.AI，2026-10-19 发布。

方法/产品要点

• 基准构造：从广泛使用的世界模型环境派生目标偏移任务变体，使状态因子与动作各自处于训练支持内，但组合在专家轨迹中欠采样。
• 配套工具：发布开源库（具体接口、环境清单与复现脚本细节待核实）。
• 评测维度：跨环境、跨世界模型族；区分动力学失败与表征失败；覆盖不同交互模式与多种评价指标。
• 分析目标：定位当前世界模型在哪些情形下能够泛化、在目标偏移的预测与规划上仍存在哪些挑战。

主要结果或产业意义

• 核心发现：在多个环境与多个世界模型族上，当前模型在这类“熟悉因子、陌生组合”的重组情形下持续出现失败。
• 论文进一步按模型族、交互模式与评价指标拆解失败类型（动力学层面 vs 表征层面），以刻画泛化的边界。
• 产业意义：为世界模型在规划/仿真中的可靠性提供了一个可复现的“压力测试面”，提示仅靠专家轨迹覆盖度不足以支撑新目标下的规划；基准与库可直接用于模型选型与迭代对比。

为什么重要

• 世界模型的核心卖点是替代或辅助真实交互进行动作推演与规划；若动力学只在专家轨迹附近成立，规划器一旦偏离示范分布就可能失效。
• 该工作把“数据覆盖—动力学泛化—规划性能”的关系转成可测量问题（组合泛化），并给出统一评测载体，便于横向比较不同模型族。
• 与既有脉络的关系：本卡片关注的是世界模型预测/规划侧的动力学组合泛化评测基准；此前“纠正学到的物理不变量可改善世界模型推演”针对的是隐空间守恒量的漂移与投影修正，属于单一环境内的推演误差机制研究，而非跨任务基准；π0.7 卡片涉及机器人基础模型的技能组合泛化，属策略层能力，与本条的世界模型动力学层评测不重复。本条增量在于提供“目标偏移 + 组合欠采样”的基准与开源库。

局限与不确定性

• 具体环境数量、任务清单、参与评测的世界模型族与基线方法待核实（摘要未列出）。
• 各项失败率的量化结果、指标定义与统计显著性待核实。
• 开源库的许可、维护状态与可复现程度待核实。
• 基准任务与真实机器人/高风险场景之间的外部有效性待核实。

可用于图书/PPT/简报的角度

• “专家轨迹不够用”：用组合泛化的视角解释世界模型为何在偏离示范的目标上失效。
• 一页图解：训练支持集内的单个因子 vs 欠采样的因子组合，说明 AnyGoal 的任务设计逻辑。
• 评测方法论：把“动力学失败”与“表征失败”分开诊断，作为世界模型评测章节的框架示例。
• 选型提示：在部署前用目标偏移基准对世界模型做压力测试，而非只看专家轨迹上的预测误差。

原始材料

• 标题：AnyGoal: On World Model Generalization Beyond Expert Rollouts
• 作者：Heejeong Nam, Divyat Mahajan, Quentin Le Lidec, Randall Balestriero, David Klindt
• arXiv ID：2610.26844v1（cs.AI），发布/更新：2026-10-19T17:59:05Z
• Abstract URL: https://arxiv.org/abs/2610.26844v1
• PDF URL: https://arxiv.org/pdf/2610.26844v1
• 关键词：world model；compositional generalization；goal-shifted benchmark；expert rollouts；planning