ATM: Action-Consistency Transfer Matrix for Diagnosing and Improving Latent World Models

📄 arXiv: 2606.09028v1 📥 PDF

作者: Jiaheng Chen

分类: cs.CV, cs.AI, cs.RO

发布日期: 2026-06-08

备注: 13 pages, 3 figures, 6 tables

💡 一句话要点

提出ATM以诊断和改进潜在世界模型的行动一致性

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 潜在世界模型 行动一致性 模型评估 快速诊断 规划优化 机器人控制 自动驾驶

📋 核心要点

  1. 现有方法在评估潜在世界模型的有效性时，通常依赖于耗时的模拟器评估，效率低下且依赖模型复杂性。
  2. 本文提出ATM，通过比较真实和模型预测的转移中的行动信息，提供了一种轻量级的评估方法，能够快速诊断模型的表现。
  3. 实验结果表明，ATM在成功率差距显著时，能够实现高可靠性的成对排名，并将传统的评估时间从分钟级缩短至秒级。

📝 摘要（中文）

潜在世界模型在控制和目标导向规划中越来越受到重视，但评估其学习表示的有效性通常需要缓慢的、与规划器耦合的模拟器评估。本文提出ATM（行动一致性转移矩阵），通过轻量级的后验探测比较真实编码转移和模型预测转移中的行动信息，生成可解释的矩阵，揭示表示质量、转移领域不一致性和失败模式。ATM能够在任务内对不同检查点、变体和世界模型进行简单的筛选评分，显著提高评估效率，减少评估时间至秒级，并实现超过100倍的加速。

🔬 方法详解

问题定义：本文旨在解决潜在世界模型在评估其学习表示有效性时的高时间成本和低效率问题。现有方法依赖于复杂的模拟器评估，导致评估过程缓慢且不够灵活。

核心思路：ATM（行动一致性转移矩阵）通过轻量级的后验探测，比较真实转移和模型预测转移中的行动信息，从而快速诊断模型的表现和潜在问题。该方法设计旨在减少对复杂模拟器的依赖，提高评估效率。

技术框架：ATM的整体架构包括数据收集、后验探测和矩阵生成三个主要模块。首先收集真实和模型预测的转移数据，然后通过后验探测分析行动信息，最后生成可解释的转移矩阵，揭示模型的表现。

关键创新：ATM的主要创新在于其能够在不依赖模拟器的情况下，通过轻量级的后验探测快速评估潜在世界模型的行动一致性。这一方法与传统的依赖模拟器的评估方式有本质区别。

关键设计：在设计ATM时，关键参数包括后验探测的灵敏度和矩阵生成的算法效率。损失函数的选择和网络结构的设计也经过优化，以确保评估结果的准确性和可靠性。具体的参数设置和网络结构细节在论文中有详细描述。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，ATM在成功率差距显著时，能够实现高达100倍的评估速度提升，将传统的分钟级CEM评估缩短至秒级分析，显著提高了模型评估的效率和可靠性。

🎯 应用场景

该研究的潜在应用领域包括机器人控制、自动驾驶、游戏AI等需要高效规划的场景。通过快速评估潜在世界模型的有效性，ATM可以帮助研究人员和工程师在模型开发过程中更快地迭代和优化，从而提升系统的整体性能和可靠性。

📄 摘要（原文）

Latent world models are increasingly used for control and goal-conditioned planning, yet assessing whether their learned representations are useful for planning usually requires slow, planner-coupled simulator evaluation with CEM or similar planners. Such evaluation is black-box and model-complexity-dependent: under the same protocol, different world models may require minutes to hours per checkpoint. In this work, we propose ATM, an Action-Consistency Transfer Matrix for diagnosing whether latent transitions preserve action semantics relevant to planning. ATM compares action information in real encoded transitions and model-predicted transitions through lightweight post-hoc probes, producing an interpretable matrix that reveals representation quality, transition-domain inconsistency, and failure modes without simulator rollout. It can also be collapsed into a simple screening score for within-task ranking across checkpoints, variants, and world models. When the true success gap is non-trivial, ATM achieves highly reliable pairwise ranking, while reducing minutes-to-hours CEM evaluation to seconds-level transition analysis, yielding more than 100x speedup in our setup. We further introduce AITS, showing that action-identifiability is not only diagnostic but also a useful training signal for improving downstream planning without changing the planner.