一个镜头，多个世界：一种用于世界模型解释的能力类型接口

世界模型现在建立在截然不同的计算基础上。 PlaNet 和 Dreamer 系列等潜在循环状态空间模型将观察结果压缩为循环状态；基于词元的模型（例如 IRIS）将观察结果量化为学习的密码本，并使用 Transformer 进行自回归预测；联合嵌入预测架构（例如 I-JEPA）在没有像素解码器的学习潜在空间中进行预测。应用于这些模型的可解释性方法，包括探测、激活修补、稀疏自动编码器和意外分析，共享一组通用的原语，但它们是为每个架构从头开始重新实现的，因为现有的钩子和缓存工具假定 Transformer 语言模型，没有操作、环境步骤或想象生成轨迹的概念。我们认为这种碎片化反映的是工具而不是模型，并且世界模型的共享结构是由小型类型化接口捕获的。我们提出了 WorldModelLens，一个围绕能力类型适配器组织的开源可解释性基础：每个模型都实现四种必需的方法（编码、转换、初始状态、样本），并通过显式的能力描述符声明一组可选头（解码、奖励、继续、策略、价值评估），因此强化学习和自监督世界模型是一流的，无需模仿对方。单个钩子和缓存层通过该接口公开时间索引的激活、想象生成轨迹和干预重播，从而允许每个分析被写入一次。