**WM-PPO：利用世界模型预测未来价值以强化稀疏奖励下的智能体决策**

_Learning to Act with World Models by Valuing What Comes Next_

> 针对稀疏终端奖励导致智能体难以学习的问题，WM-PPO 方法结合世界模型与 PPO 算法，通过预测动作后的未来状态价值来弥补奖励信号的不足。该方法无需外部教师或特权信息，仅利用智能体自身交互数据，在 ALFWorld 和 ScienceWorld 等环境中显著提升了成功率，并优化了智能体的规划行为。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-11 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2611.12200)