图世界模型（Graph World Models，GWM）正成为规划研究中的一个新方向。传统世界模型通常通过将学习到的动力学向前推演来进行规划，但许多规划环境并不是向量或图像，而是由智能体、工具、技能、路径和依赖关系构成的图。在这种图结构环境中，局部预测误差可能停留在原地，也可能沿图传播；当边本身需要被预测而非固定时，失效模式又会发生变化。论文《Understanding Rollout Error in Graph World Models》正是围绕这一问题展开，研究图世界模型在长时程推演（long-horizon rollout）中的误差行为。该论文于2026年6月26日提交至arXiv，编号2606.27780，属于cs.AI分类，目前处于审稿阶段，作者为Xinyuan Song与另一位合作者，提交人为Zekun Cai。
论文的核心贡献之一，是提出了一个统一的图世界模型框架，同时涵盖固定边与动态边两种设定，并引入动作节点以支持节点级、边级和图级三类决策。这一形式化刻画使得研究者能够在同一体系下比较不同结构的推演过程。在此基础上，作者推导出图值形式的推演误差上界，并将误差放大拆分为两个来源：由拓扑结构引起的放大，以及由模型自身引起的放大。这种区分具有重要意义，因为它说明误差的增长不仅取决于预测器有多准，也取决于图结构如何将局部偏差扩散到更大范围。针对动态边推演，论文还提出了一个联合节点-边算子，用于处理结构随时间演化时的预测问题。
在理论分析的指导下，作者提出了名为Error-Aware GWM的方法，将谱正则化、推演一致性和关键节点加权三种机制结合起来。谱正则化用于抑制与图结构相关的误差放大，推演一致性约束鼓励多步预测保持稳定，而关键节点加权则让模型更关注对整体推演影响更大的节点。实验覆盖了合成拓扑以及异构智能体图测试平台，结果显示：推演误差与规划遗憾（planning regret）都会随时程增加而增长；当图结构发生演化时，必须进行动态边训练；而Error-Aware GWM能够在保持预测精度的同时，防止长时程推演出现发散。
论文还借助真实世界的图基准测试厘清了图世界模型的适用范围。作者指出，GWM在动态图推演和智能体规划方面最为有用，而在静态或稀疏预测任务上，专门的图模型仍然表现更强。这一结论为后续研究提供了清晰定位：图世界模型并非要取代所有图学习方法，而是针对结构动态变化、需要多步推演与规划的场景提供补充能力。对于构建基于图的多智能体系统、工具调用链和路径规划应用的研究者而言，这项工作揭示了长时程误差的来源，并给出了一套可操作的缓解方案。