AnyGoal：超越专家轨迹的世界模型泛化评测基准 AnyGoal: On World Model Generalization Beyond Expert Rollouts

第一步，数据：每个 base 任务用目标导向策略采集训练集；每个变体由不同目标的脚本策略采集 400 条轨迹，如 Avoid-T 要避开 T 块走到四角、Stack-T 要摆出十字构型、Extract-Peg 要把 peg 从槽中拔出再放到目的地、Cube-Diagonal 用对角抓取操作立方体。第二步，支撑验证：对每个参考-查询对做三重因子检验——range（逐坐标范围）、Mahalanobis（参考 0.99 分位阈值下 ≥95% 样本通过）、KDE（参考密度 0.01 分位阈值下 ≥95% 通过），全部通过；再用全维联合 KDE（Push-T 7 维、Cube 18 维、Manipulator 33 维，阈值取参考 log 密度 0.01 分位）报告联合分数，如 Avoid-T 的 agent/全状态/状态-动作分数为 98.45%/44.79%/17.82%，Avoid-Peg 为 41.71%/0.40%/0.00%。第三步，模型：LeWM、SMWM、DINO-WM、DriftWorld、IRASim 用官方实现或官方 checkpoint；oracle 预测器（AdaLN、Action-Concatenated、Toy-DriftWorld）直接输入 Push-T 10 维、Cube 15 维、Insert-Peg 33 维真值状态。第四步，评测：自回归 rollout 误差取 5/25 环境步、每个种子 100 条轨迹、seeds 0/1/2；MPC 统一用 CEM（300 候选 × 30 迭代、5 个动作块 × 5 步 = 25 步视界、最多 50 步），成功判据如 Push-T 要求 4 维位置误差 <20 像素且角度误差 <π/9。第五步，诊断：固定状态、把观测动作替换为干预集 $A_{\text{cf}}$，计算 $S_\theta(s)=\frac{1}{|A_{\text{cf}}|}\sum_{a'\in A_{\text{cf}}}\|\phi_\theta(s,a)-\phi_\theta(s,a')\|_2$，并分析其沿环境特定专家偏置坐标的走势。

技术新颖性体现在四个层面。其一，基准设计：这是首个把组合泛化作为世界模型评测判据的受控基准，并开源为 Python 库（构建在 Stable-WorldModel 之上），一条 CLI 命令即可对比同一模型在 base 任务与目标偏移变体上的表现。其二，统计严谨性：目标偏移不是手工挑的 OOD 样本，而是通过三层因子检验加全维联合 KDE 双重验证，明确区分「边缘在分布内、联合稀有」，并把组合间隙的覆盖度量化成可报告的百分比。其三，诊断方法学：用 oracle 状态预测器把表示失败与动力学失败解耦，用干预动作敏感性把理论上的退化（式 (2)）操作化为随状态区域变化的曲线，是把因果干预思想用于模型审计的范例。其四，理论：Proposition 1 给出「机制可辨识 + 稀疏局部依赖 $\|\nabla_x T_{k,r}(x)\|_0\ll\dim(x)$ + 局部覆盖 $U^{te}_{k,r}\subseteq U^{tr}_{k,r}$」时全局误差满足 $\|\hat{T}(z_t,a_t)-T(z_t,a_t)\|_2\le\big(\sum_k\epsilon^2_{k,r_t}\big)^{1/2}$ 的充分条件，把高维全局覆盖难题降维成局部机制输入的覆盖问题，直接回应了「全局覆盖既不现实也无必要」的直觉。

独立分析的弱点与改进方向：（1）只诊断不开方——既然确认了行为捷径的存在，最直接的改进是把动作敏感性 $S_\theta(s)$ 变成训练正则，鼓励模型对干预动作的响应均匀；或引入更强的 inverse-dynamics / 动作条件对比目标。SMWM 已含 inverse dynamics 却仍在接触任务上失败（Cube-Diagonal 误差比 5.8 倍），说明现有目标强度不足以打破捷径。（2）接触密集任务的失败可能部分来自 CEM 规划器而非模型——可补充「重放专家动作」或基于模型似然的采样基线，分离模型误差与优化误差。（3）高维联合 KDE 不稳健——可用 normalizing flow、k-NN 覆盖度或极小体积集支撑估计替代，并报告估计方差。（4）变体数量少且每个变体单目标——应系统扫描目标偏移幅度，画出成功率随联合分数变化的曲线，找到「何时开始失效」的边界。（5）缺少数据干预实验——例如在 Push-T 训练集中混入 $\epsilon$ 比例的随机动作数据，量化覆盖修复对组合泛化的边际收益，这能直接检验论文的覆盖假说并把基准变成方法论实验台。（6）成功判据依赖数据集未来状态而非物理任务本体，宜补充原生任务指标交叉验证，避免误判。

作者提出的方向：一是机制辨识——刻画在什么条件下能从离线轨迹中辨识可复用的动作条件机制，尤其当动作效果随状态与 regime（自由运动/接触/抓取）变化时，这仍是开放问题；二是支撑外外推——为交互丰富动力学寻找结构假设，Proposition 1 给出了 regime 条件化稀疏局部机制 $z_{k,t+1}=T_{k,r_t}(u_{k,t})$ 的样板，需要发展能发现 regime、辨识局部输入的架构、目标函数与数据采集策略。基于本文成果可延伸的方向：把动作敏感性正则或 regime 门控的机制网络（如接触/自由运动分类器切换的模块化动力学）纳入世界模型训练目标；结合模型基离线 RL 的不确定性估计，主动采集组合间隙中的数据；将 AnyGoal 协议移植到视频生成式世界模型与 VLA 模型，检验其「物理理解」是否同样依赖行为偏置；研究 latent 几何设计（TwoRoom 的 t-SNE 观察表明几何组织直接影响预测与规划）如何让 planner 更易优化；以及把稀疏机制假设转化为可微的结构正则，验证 Proposition 1 在真实环境中的可实现程度。

复现条件很好。AnyGoal 以开源库发布（构建于 Stable-WorldModel，源码在 github.com/galilai-group/AnyGoal），数据与 checkpoint 可从 HuggingFace 经 anygoal artifacts download 获取；每个变体随附 400 条轨迹，另有采集工具（如 anygoal collect avoidt --num-episodes 400 --num-parallel 8）可自建更多数据。评测是一条命令的事：anygoal eval planning --model lewm --dataset avoidt --seed 0，rollout 评测同理；协议固定为 seeds 0/1/2、每 seed 100 条轨迹。五个端到端模型均用官方实现或官方 checkpoint（LeWM、DINO-WM 直接用官方权重），训练超参与 checkpoint 选择在附录 Table 6/7 完整列明；oracle 预测器是小模型（AdamW、batch 256、100 epochs、真值状态输入），单 GPU 即可训练。主要算力开销在端到端模型训练（DriftWorld 最多 500k 步、IRASim 300k 步），但可直接下载跳过。难度中低，摩擦点主要是 MuJoCo/DMC 环境安装与生成式模型的 CEM 规划成本。总体属于可复现性优良的诊断型工作。