图世界模型中的长程推演误差如何产生与抑制？

在基于学习的规划系统中，世界模型常通过推演学习到的动态进行决策。然而，许多实际规划环境并非向量或图像，而是由智能体、工具、技能等节点构成的图结构。此类场景中，局部预测误差可能局限于节点，也可能沿图拓扑扩散——当图的边结构也可预测时，误差传播机制将更为复杂。

本研究首次系统分析了图世界模型（GWM）中的长程推演误差问题。团队构建了统一框架，涵盖固定边与动态边两种图结构，并支持节点级、边级和图级决策动作。通过建立图值推演误差边界，研究分离了拓扑结构导致的误差放大与模型本身导致的误差放大，并针对动态边场景设计了联合节点-边算子。

基于理论分析，研究者提出“误差感知GWM”方法，融合谱正则化、推演一致性约束和关键节点加权三项技术。在合成拓扑与异构智能体图测试环境中验证表明：推演误差与规划遗憾随推演步长增长；当图结构演化时必须采用动态边训练；误差感知GWM能在保持预测精度的同时有效抑制长程发散。

现实图数据基准测试进一步明确了GWM的适用边界：该模型在动态图推演和智能体规划任务中优势显著，而静态或稀疏预测任务仍更适合专用图模型。这项研究为图结构环境中的可靠长程规划提供了理论工具与实践方案。