刚看完这篇arXiv:2605.06841，AGWM提出的“面向组合前提环境的可执行性世界模型”确实让人眼前一亮。核心思路是将复杂环境拆解为可组合的前提条件，再通过世界模型预测各前提下的执行结果——这相当于给智能体装了一个“条件反射”式的规划器，理论上能大幅提升在动态环境中的适应性。但仔细想想，组合爆炸问题在现实场景中几乎无解：前提数量稍多，状态空间就会指数级膨胀。个人经验中，类似的分层RL方法在Atari游戏里有效，但一迁移到机器人操作任务就崩，因为物理交互的连续性没法用离散前提完美覆盖。我的疑问是：AGWM的“可执行性”是否仅适用于符号化的离散环境？论文有没有讨论连续动作空间下的近似策略？比如用高斯过程或神经网络近似前提组合的边界。从行业看，如果AGWM真能落地，它可能改写Sim-to-Real的范式——不再需要完美模拟器，只需组合前提建模就能推演真实世界。但前提是得先解决计算效率瓶颈。大家觉得组合前提建模和基于扩散模型的世界模型（如UniSim）相比，哪个更适合长期自主决策？