PRISM：世界模型中的先验引导想象采样
在连续控制任务中，基于模型规划的效果不仅取决于世界模型预测未来状态的能力，还取决于候选动作如何被生成。论文《PRISM: PRior-guided Imagination Sampling in world Models》提出一个核心问题：与其只追问模型模拟未来的准确度，不如先问哪些候选动作值得被评估。该论文于2026年6月6日提交至arXiv，编号2606.07974，作者为Yuhai Wang等共7人，归类为机器人学（cs.RO）与人工智能（cs.AI）。
现有规划器通常进行任意搜索，或仅利用专家演示来初始化采样均值，从而丢弃了专家在特定状态下所表现出的置信度信息。要正确引导搜索，需要一个稳健的动作先验，而当前方法往往依赖独立的视觉编码器或大规模视觉语言模型（VLM）来获得这一先验。作者认为这种架构膨胀是不必要的：完全相同的数据以及世界模型自身学到的表示，本身就编码了智能体的动作直觉。
为此，PRISM提出一个任务无关的框架，仅使用单一数据集同时提取数据与世界模型表示，并保持严格的架构简洁性。该方法建立在标准的JEPA式潜在世界模型之上，在其冻结的编码器上直接附加一个轻量级MLP，用于预测以状态为条件的高斯先验。在规划阶段，PRISM通过精度加权的“高斯乘积”（Product-of-Gaussians）更新，将该先验融合进规划器的采样分布。这种无需额外参数、具有闭式解的一体化集成方式可以引导采样过程：在先验有信心的区域增强引导，在先验不确定的区域则让出控制权。
实验结果显示，相较于基于世界模型的标准MPC，PRISM在Cube任务上将成功率提升35个百分点，在PushT任务上提升32个百分点，且未引入显著的推理开销。该工作表明，通过充分利用世界模型自身的表示并以闭式方式融合先验，可以在不增加复杂架构的情况下显著提升基于模型的规划性能。
该论文的提交历史显示，v1版本于2026年6月6日04:18:10 UTC提交，全文约11,128 KB，可通过PDF、实验性HTML及TeX源码等方式获取，并提供了DOI链接。