“世界模型”可能指一个在潜在空间里预测下一步的强化学习（reinforcement learning, RL）组件，也可能指一个按键就能走进去的生成视频；“自我改进”可能是模型筛选自己的答案再训练，也可能是实验室说 AI 写了大半代码。同一个词背后常常是几件不同的事，先分清是哪一件，再看证据。 这个板块放的就是这类还在变化的方向。
为什么单独放一块
这里的内容变化快，过半年就可能有新系统、新说法，所以每篇都标了“最近审阅”，按 6 个月复核。站内其他板块讲的方法大多已经定型；这里更多是在帮你读懂新消息：它测了什么，在什么条件下测的，又有哪些只是声明或预测。
收进来的方向要满足两点：已经在改变实际的系统设计，并且有可以核对的公开证据。只是最近很热的词，不单独开篇。
每个系列都把三类内容分开写：已经比较确定的结论、还在快速变化的部分、接下来值得盯的信号。快变的事实都写明日期，以及是谁、在什么条件下测的；公司自己报告的数字标成“自报”。这样即使某条消息过时了，你也知道该拿新结果去对照哪一处。
| 你读到的说法 | 先问什么 |
|---|---|
| “某某是一个世界模型” | 它预测什么、在什么空间里预测、以什么为条件、拿来做什么？ |
| “AI 在改进它自己” | 改的是哪个对象，谁来决定改动，靠什么信号接受改动？ |
| “测到了 N 倍加速” | 谁测的、用什么单位、有多少人工介入、算力是否同时增长？ |
六个系列
- 世界模型：这个词现在指哪几种东西。从 Dreamer 在想象里训练策略，到 JEPA 预测表示，再到能交互的视频、给机器人当评测器，最后看它们是否真的懂物理。
- 递归自我改进（RSI）：先问改的是什么。区分改权重、改代码、加速研发和自产数据，看验证器为什么决定上限，以及“AI 加速 AI”现在怎么测量。
- 推理模型与测试时计算：多想一会儿，什么时候有用（待审核草稿）。多采样投票、验证器、长思维链怎样训练出来，以及在同等算力下怎么比较。
- 用强化学习训练 agent（agentic RL）：从一问一答到多步任务（待审核草稿）。环境和奖励（reward）从哪里来、会怎样被钻空子，多步回合里梯度落在哪些 token 上。
- 机制可解释性：打开模型看它怎么算（待审核草稿）。探针、叠加、稀疏自编码器（encoder）和电路，各自能说明什么、说明不了什么。
- 扩散语言模型（dLLM）：不从左到右，整块去噪（待审核草稿）。掩码扩散在训练什么、和 BERT 的 MLM 是什么关系，以及并行解码为什么不会自动变快。
读之前最好先看
世界模型系列会用到 Model-based RL 和规划与 LQR，深度强化学习新补的学什么样的模型也可以作为这一系列的入口。自我改进系列会用到 Deep RL 的基本记号和评估的基本概念。这些都不是硬性前提，遇到不熟的词再回头查。
本页术语 3
- 强化学习 reinforcement learning, RL
- 根据行动带来的回报调整策略，学习怎样作出更好的选择
- 奖励 reward
- RL 里指导策略更新的标量信号
- 编码器 encoder
- 把原始输入压成向量的那一半模型