Resumen: Los modelos mundiales se utilizan a menudo para la planificación haciendo avanzar las dinámicas aprendidas. Sin embargo, muchos entornos de planificación no son vectores ni imágenes; son gráficos de agentes, herramientas, habilidades, rutas y dependencias. En estas configuraciones, un error de predicción local puede permanecer local o extenderse por el gráfico, y el modo de falla cambia nuevamente cuando los bordes se predicen en lugar de arreglarse. Este artículo estudia el error de implementación a largo plazo en Graph World Models (GWM). Formulamos un marco GWM unificado de borde fijo y borde dinámico con nodos de acción para decisiones a nivel de nodo, borde y gráfico. Desarrollamos límites de implementación valorados en gráficos que separan la amplificación inducida por la topología de la amplificación inducida por el modelo, e introducimos un operador conjunto de borde de nodo para implementaciones de borde dinámico. Guiados por el análisis, proponemos GWM con reconocimiento de errores, que combina regularización espectral, coherencia de implementación y ponderación de nodos críticos. A través de topologías sintéticas y bancos de pruebas de gráficos de agentes heterogéneos, el error de implementación y el arrepentimiento de la planificación crecen con el horizonte, se necesita entrenamiento de borde dinámico cuando la estructura evoluciona y Error-Aware GWM evita la divergencia a largo plazo al tiempo que preserva la precisión de la predicción. Los puntos de referencia de gráficos del mundo real aclaran el alcance de los GWM: son más útiles para la implementación de gráficos dinámicos y la planificación de agentes, mientras que los modelos de gráficos especializados siguen siendo sólidos en tareas de predicción estáticas o dispersas.
Publicado originalmente en export.arxiv.org el 28 de junio de 2026.
Ver fuente original
