以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
A sparse terminal reward tells an agent little about its steps. Much of the missing information is implicit in the environment's dynamics, because each state transition can change the conditions for success long before the reward arrives. A world model trained on real transitions can learn to predict what each action c
阅读原文 · Chenghao Gao, Zhi Zhang, Dian Jin, Yihe Pan, Doudou Zhou
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文值得看的地方，是它盯上了一个很具体的老问题： 终端奖励太稀疏，中间每一步到底有没有用，Agent 其实不知道。 在 ALFWorld 这类任务里，成功往往只给一个 0/1 信号。可很多关键动作发生在奖励到来之前很久，比如先找对容器、先完成前置步骤。摘要里给出的数字是，在真实环境步数可比的情况下，ALFWorld 成功率从 PPO 的 63.5% 提到...