用于准确高效长时域规划的并行预测世界模型

长时域世界模型规划通常依赖自回归展开，其中预测状态会被反复反馈给模型。这种方式保留了时间结构，但会产生一条与时域长度相当的串行路径，并使后续预测暴露于递归解码状态反馈。我们提出并行预测世界模型（Parallel Predictive World Models，PPWM），在保留未来表征之间因果交互的同时，并行预测有限时域轨迹。每个时域步均以其因果动作前缀为条件，且未来表征在解码前进行交互，从而将时间因果性与逐状态输出递归分离开来。我们将自回归展开形式化为因果轨迹映射，并识别出 PPWM 所移除的解码状态反馈路径。在四项视觉控制任务中，PPWM 取得了最低的长时域预测误差，以及在所评估预测接口中最高的交叉熵方法（Cross-Entropy Method，CEM）模拟器成功率。同时，与自回归 LeWM 基线相比，PPWM 使 CEM 规划速度平均提升了超过 3$\times$。这些结果表明，准确高效的长时域世界模型规划并不需要逐状态自回归，而是可以通过并行因果轨迹预测实现。