Mental World Modeling
H. Fei and Y. Zhao, "Mental World Modeling," arXiv:2607.27201, 2026.
저자
두 명입니다. 교신저자 페이하오는 옥스퍼드대 박사후연구원으로 OATML의 Yarin Gal과 Big Data Institute의 Chris Holmes 양쪽에 소속돼 있습니다. 그 전에는 싱가포르국립대 시니어 리서치 펠로였고, Skywork AI 싱가포르와 SEA AI Lab을 거쳤습니다. NExT-GPT: Any-to-Any Multimodal LLM(ICML 2024)의 공저자로, LLM에 멀티모달 어댑터와 디퓨전 디코더를 붙여 텍스트·이미지·비디오·오디오를 임의 조합으로 다루는 시스템을 만든 사람입니다.
공저자 자오이란은 싱가포르국립대 컴퓨터과학 박사과정으로 Kenji Kawaguchi 지도를 받습니다. LLM의 다국어 처리와 추론 견고성을 해 왔고, 이 작업은 NUS 인턴 기간에 수행했습니다.
멀티모달 파운데이션 모델을 만들던 사람이 월드 모델의 상태 정의를 다시 쓰자는 글을 낸 것이 이 논문의 성격입니다. 실험도 새 모델을 학습시키는 대신 GPT와 Claude 계열 8종을 월드 모델 역할에 꽂아 넣고 무엇이 부족한지를 재는 쪽으로 설계돼 있습니다.
배경
월드 모델은 계획과 행동을 위한 예측 기반을 제공합니다. 그런데 지금의 정식화는 물리적 질문 하나에만 답합니다. 무엇이 어디에 있고, 그것이 어떻게 변할 것인가.
사람의 행동은 숨은 심적 상태가 움직입니다. 무엇을 믿고, 무엇을 원하고, 무엇을 의도하고, 무엇을 느끼고, 무엇을 사회적으로 허용된다고 보는가. 물리 장면은 추적하면서 각 행위자가 그것에 대해 무엇을 알고 믿는지는 추적하지 않는 모델은, 겉보기에 맞아 보이는 장면에 대해 틀린 행동을 예측합니다.
논문이 드는 예가 명확합니다. 그녀가 눈을 돌린 사이 머그컵이 찬장으로 옮겨졌습니다. 물리 상태만 아는 모델은 그녀가 찬장으로 갈 것이라고 예측합니다. 그녀는 아직 머그컵이 원래 자리에 있다고 믿기 때문에 원래 자리로 갑니다.
기존 접근이 왜 부족한지도 짚습니다. 월드 모델 계열은 표현하는 상태가 여전히 물리적이거나 지각적입니다. 마음 이론(Theory of Mind) 연구는 심적 변수를 다루긴 하지만, LLM의 ToM 행동은 작은 오신념 변형이나 시나리오 변화에도 쉽게 무너진다는 보고가 있습니다. 이 논문의 위치는 심적 변수를 사후 합리화가 아니라 월드 모델의 핵심 구성요소로 올리는 것입니다.
어떻게 정식화했나
MWM의 한 시점은 세 함수의 결합입니다.
\[s_t \xrightarrow{\;\Omega_\epsilon\;} o^\epsilon_t \xrightarrow{\;\Pi_\epsilon\;} a^\epsilon_t \xrightarrow{\;T_\theta\;} s_{t+1}\]
여기서 \(\epsilon\)이 대상 행위자입니다.
관측 생성
월드 모델은 3인칭 전지적 상태에서 대상의 관측을 렌더링합니다.
\[o^\epsilon_t = \Omega_\epsilon(s_t) = \left(\Omega^{\text{phy}}_\epsilon(s^{\text{phy}}_t ; \kappa^\epsilon_t), \; \Omega^{\text{ment}}_\epsilon(s^{\text{phy}}_t, s^{\text{ment}}_t ; \rho^\epsilon_t)\right)\]
\(\kappa^\epsilon_t\)는 위치·시선·청취 범위·모달 가용성 같은 지각 접근 조건이고, \(\rho^\epsilon_t\)는 역할·사전 믿음·타인과의 관계·규범 인식·ToM 능력 같은 사회적·인지적 관점입니다.
여기서 중요한 구분이 있습니다. 심적 관측 함수가 \(s^{\text{ment}}_t\)에 의존한다는 것은 대상이 전역 심적 상태를 직접 읽는다는 뜻이 아닙니다. 월드 모델이 전역 심적 상태를 써서 이 대상이 부분 관측 아래 무엇을 추론할 수 있는지를 생성한다는 뜻입니다.
논문의 예시가 이 관점성을 잘 보여줍니다. 잭이 우는 모습이라는 같은 물리 신호를 두고, 잭이 상을 기대했다는 것을 아는 앨리스는 실망을 추론하고, 잭이 방금 위험에서 구조됐다는 것을 아는 밥은 안도를 추론합니다.
행동 제안
\[a^\epsilon_t \sim \Pi_\epsilon(\cdot \mid o^\epsilon_t), \qquad \mathcal{A}^\epsilon_t = \Pi^K_\epsilon(o^\epsilon_t) = \{a^\epsilon_{t,1}, \dots, a^\epsilon_{t,K}\}\]
조건 변수가 전체 상태가 아니라 관측이라는 점이 핵심입니다. 이게 MWM이 오신념·무지·놀람·사회적으로 편향된 행동을 표현할 수 있는 형식적 이유입니다. 대상은 자기 관측이 어떤 대상을 빠뜨렸거나, 타인의 의도를 잘못 읽었거나, 틀린 믿음을 담고 있기 때문에 나쁜 행동을 고를 수 있습니다.
행동은 물리와 심적 두 차원을 가진 하나의 대상이므로 정책은 그 쌍에 대한 결합 분포입니다. 분해가 필요하면 연쇄법칙이 정확한 항등식을 줍니다.
\[\Pi_\epsilon\left(a^{\epsilon,\text{phy}}_t, a^{\epsilon,\text{ment}}_t \mid o^\epsilon_t\right) = \Pi^{\text{phy}}_\epsilon\left(a^{\epsilon,\text{phy}}_t \mid o^\epsilon_t\right) \Pi^{\text{ment}}_\epsilon\left(a^{\epsilon,\text{ment}}_t \mid a^{\epsilon,\text{phy}}_t, o^\epsilon_t\right)\]
논문은 이 순서가 생성 순서를 주장하는 것이 아니라고 명시합니다. 반대 방향 인수분해도 똑같이 유효합니다. "지금 나가"라고 말하는 것과 같은 말을 농담으로 하는 것은 물리 발화 운반체가 비슷하지만 심적 행동이 다르고, 위로는 말·몸짓·근접 중 무엇으로도 실현될 수 있습니다.
상태 전이
\[T_\theta(s_{t+1} \mid s_t, a^\epsilon_t) = T^{\text{phy}}_\theta\left(s^{\text{phy}}_{t+1} \mid s^{\text{phy}}_t, s^{\text{ment}}_t, a^{\epsilon,\text{phy}}_t\right) \cdot T^{\text{ment}}_\theta\left(s^{\text{ment}}_{t+1} \mid s^{\text{phy}}_t, s^{\text{ment}}_t, a^{\epsilon,\text{phy}}_t, a^{\epsilon,\text{ment}}_t\right)\]
물리 전이가 \(s^{\text{ment}}_t\)에도 조건 지어지는 이유는 다른 행위자들의 잠재 목표와 의도가 동시 반응을 만들어 다음 물리 상태에 영향을 주기 때문입니다. 반면 물리 전이는 \(a^{\epsilon,\text{ment}}_t\)에 직접 조건 지어지지 않습니다. "밥을 위로한다"는 의미론적 의도는 발화·몸짓·이동 같은 물리 운반체로 실현되지 않는 한 공기를 움직이거나 물체 위치를 바꾸지 않습니다.
심적 전이는 두 행동 성분 모두에 조건 지어집니다. 관찰 가능한 행동은 물리 행동이 주고, 그 행동이 실어 나르는 의도된 의미는 심적 행동이 줍니다.
MENTIS
이론을 구현한 학습 불필요(training-free) 베이스라인입니다. 직접 답변 베이스라인이 장면·질문·선택지를 받아 선택지 라벨만 내놓는다면, MENTIS는 잠재 추론 경로를 전부 노출합니다.
\[x \to \hat{s}_t \to \hat{o}^\epsilon_t \to \{\hat{a}^\epsilon_{t,k}\}_{k=1}^{K} \to \{\hat{s}^k_{t+1}\}_{k=1}^{K} \to \{r_k\}_{k=1}^{K} \to \hat{k}\]
모자 기호는 모든 중간 산출물이 정답이 아니라 모델 예측임을 강조합니다. 여섯 단계입니다.
- 상태 파싱. 원 장면을 결합 현재 상태 \(\hat{s}_t = (\hat{s}^{\text{phy}}_t, \hat{s}^{\text{ment}}_t)\)로 변환합니다. 물리 쪽은 개체·속성·관계·환경 조건, 심적 쪽은 믿음·주의·목표·의도·감정·선호·관계·규범·분위기입니다. 현재 구현은 JSON으로 표현하는데, 검증·비교·로깅이 쉽기 때문입니다. 다만 논문은 JSON 자체가 아니라 상태가 뒤 모듈이 읽고 갱신할 수 있을 만큼 명시적이어야 한다는 요구가 본질이라고 선을 긋습니다.
- 관측 생성. \(\hat{s}_t\)에서 대상이 접근할 수 없는 정보를 걸러내고 1인칭 관측 \(\hat{o}^\epsilon_t\)를 렌더링합니다.
- 행동 분해. 각 선택지를 물리 성분(운반체: 이동, 발화, 건네기, 가리키기, 열기, 숨기기, 기다리기)과 심적 성분(의미: 안심시키기, 속이기, 거절하기, 사과하기, 주의 끌기, 체면 지키기)을 갖는 구조화된 후보 행동으로 변환합니다.
- 분기 시뮬레이션. 후보마다 물리·심적 채널을 각각 예측한 뒤 병합해 \(\hat{s}^k_{t+1}\)을 만듭니다. \(K\)개 분기가 병렬로 돕니다. 결합은 한 서브모듈의 출력을 다른 쪽에 먹이는 방식이 아니라 시점 \(t\)의 결합 상태를 양쪽이 공유해 조건 짓는 방식입니다.
- 가치 평가. 각 상상된 미래를 심적 일관성, 물리적 타당성, 사회적 적절성 세 축으로 채점하고 안전·적법성 거부권 플래그를 냅니다. 거부권이 걸리면 다른 점수와 무관하게 그 분기의 가치가 0이 됩니다.
- 결정. 결정론적 모듈이 최고 가치 분기를 고정된 동점 처리 규칙 아래 선택합니다.
설계 원칙 하나가 명시적으로 걸려 있습니다. MENTIS는 자기가 고를 분기를 구성하기 전에 답을 선택해서는 안 됩니다. 이 원칙 덕분에 예측이 틀렸을 때 실패를 국소화할 수 있습니다. 장면을 잘못 파싱했는지, 관측이 전역 정보를 누출했는지, 선택지를 잘못 분해했는지, 전이가 비현실적인지, 평가자가 잘못 채점했는지. 단일 답변 프롬프트는 이런 분해를 제공하지 않습니다.
대상 모듈을 의사 에이전트(pseudo-agent)라고 부르는 이유도 밝힙니다. 벤치마크 설정에서 자유롭게 행동을 발명하지 않고 평가 샘플이 준 선택지 집합을 분기로 바꿉니다. 통제된 행동 공간에서 주어진 분기를 비교하는 것이 목적이기 때문이고, 행동 생성 품질과 월드 상태 전이 품질을 혼동하는 흔한 평가 오류를 피하기 위해서입니다.
무엇으로 평가했나
Menti-Bench는 448개 레코드입니다. 텍스트 320개, 이미지 100개, 소리 있는 비디오 28개입니다. 각 레코드는 상황 이야기, 지정된 대상 행위자, 의도적으로 최소화한 결정 질문, 자연어로 쓴 후보 행동 6개로 구성됩니다.
핵심은 정답 주석이 최종 행동만이 아니라 MWM 과정 전체를 덮는다는 점입니다. 결합 현재 상태, 대상 관측, 선택지별 후속 상태 하나씩, 최종 행동. 후속 상태 주석만 2,688개입니다.
지름길 통제에 공을 들였습니다. 정답 위치가 여섯 자리에 거의 균등하고, 정답과 오답 선택지 길이를 맞췄고, 텍스트 레코드는 적대적 선택지 균형과 선택지만 주는 맹검 프로브를 통과했습니다. 소리 있는 비디오는 제작한 50개 중 28개만 사람 품질 검사를 통과해 남았습니다.
장면 범주는 대인관계, 물체·자원, 공간·지각, 위험·규범 넷이고, 78%의 장면에 인물이 둘 이상 등장합니다.
월드 모델 역할에는 8개 모델을 꽂았습니다. OpenAI 5종(gpt-5.6-sol, gpt-5.5, gpt-5.4, gpt-5.4-mini, gpt-4.1)과 Anthropic 3종(claude-fable-5, claude-opus-4-8, claude-haiku-4-5)입니다. 대상 의사 에이전트와 심판 역할은 고정해서, 비교되는 시스템이 월드 모델에서만 달라지게 했습니다.
결과
필요성 사다리
시스템 |
평균 |
5.6-sol |
5.5 |
5.4 |
5.4-mini |
4.1 |
fable-5 |
opus-4-8 |
haiku-4-5 |
|
|---|---|---|---|---|---|---|---|---|---|---|
S0 |
선택지만 |
31.3 |
33.2 |
32.0 |
31.4 |
29.9 |
29.7 |
32.9 |
31.2 |
30.1 |
S1 |
직접 답변 |
63.3 |
69.6 |
65.4 |
63.5 |
59.8 |
56.9 |
68.0 |
62.9 |
60.3 |
S2 |
|
74.6 |
79.2 |
77.7 |
74.8 |
71.2 |
68.0 |
77.4 |
75.6 |
72.9 |
S3 |
|
77.9 |
83.6 |
79.5 |
76.9 |
74.4 |
73.2 |
80.7 |
79.4 |
75.5 |
S4 |
|
80.3 |
84.0 |
82.2 |
80.7 |
78.2 |
76.0 |
84.1 |
80.1 |
77.1 |
S5 |
|
82.6 |
87.5 |
83.8 |
83.0 |
79.6 |
77.0 |
84.9 |
85.1 |
79.9 |
S6 |
전체 MWM |
87.9 |
90.7 |
90.1 |
87.1 |
85.3 |
84.9 |
90.1 |
88.9 |
86.1 |
A1 |
− 심적 채널 |
75.8 |
80.1 |
78.2 |
75.5 |
72.3 |
68.6 |
79.6 |
77.1 |
75.0 |
A2 |
− 물리 채널 |
71.4 |
78.0 |
74.3 |
70.7 |
66.8 |
65.4 |
75.2 |
72.3 |
68.5 |
A3 |
분리된 전이 |
81.5 |
85.3 |
84.1 |
82.9 |
79.0 |
76.1 |
83.2 |
81.5 |
79.9 |
최종 행동 F1입니다. 사람 참조는 같은 프로토콜에서 98.5입니다.
F1이 모든 단계에서, 모든 모델에 대해 오릅니다. 평균이 31.3에서 87.9까지 단조 상승하고 순서가 8개 모델 전부에서 유지됩니다. 가장 큰 두 증분은 이야기를 읽는 것(+32.0)과 명시적 추론(+11.3)이고, 모델링 단계들이 그다음 +2.4, +2.3, +5.3을 더합니다.
선택지만 주는 바닥(S0)이 29.7~33.2로 낮고 평평합니다. 무작위(약 16.7)보다는 높지만 모델 능력에 거의 무관합니다. 더 강한 모델이 선택지만으로 더 뽑아내는 게 없다는 뜻이고, 벤치마크가 선택지 집합만으로 풀리지 않는다는 검증입니다.
계산량을 늘려도 직접 답변으로는 못 따라갑니다. 여섯 번 샘플링해 다수결하는 S3이 S6에 평균 10.0점 뒤지고, 가장 약한 모델의 S6(gpt-4.1, 84.9)이 가장 강한 모델의 S3(gpt-5.6-sol, 83.6)을 넘습니다.
절제 결과가 프레임워크의 세 주장을 각각 확인합니다. 심적 채널을 빼면 12.1점, 물리 채널을 빼면 16.5점, 두 전이를 독립으로 예측하면 6.4점을 잃습니다. \(S6 > A3 > A1 > A2\) 순서가 8개 모델 전부에서 유지됩니다.
흥미로운 것은 이득의 방향입니다. 강한 모델이 모든 단계에서 높은 점수를 내지만 S6에서 S1을 뺀 이득은 반대로 움직입니다. gpt-5.6-sol이 +21.1인데 gpt-4.1은 +28.0이고, claude-fable-5가 +22.1인데 claude-haiku-4-5는 +25.8입니다. 명시적 구조가 강한 백본에 의해 불필요해지지 않고, 오히려 약한 쪽이 더 많이 얻습니다.
병목이 어디인가
이 논문에서 가장 유용한 실험입니다. 예측된 중간 산출물 하나를 정답 주석으로 바꾸고 나머지는 그대로 두는 오라클 개입입니다. gpt-5.6-sol 기준입니다.
구성 |
F1 |
S6 대비 |
사람과의 격차 |
|---|---|---|---|
S6 전체 예측 |
90.7 |
- |
7.8 |
O3 정답 행동 |
91.4 |
+0.7 |
7.1 |
O2 정답 관측 |
92.4 |
+1.7 |
6.1 |
O1 정답 상태 |
93.5 |
+2.8 |
5.0 |
O4 정답 전이 |
94.2 |
*+3.5* |
4.3 |
O1+O2 |
94.6 |
+3.9 |
3.9 |
O2+O4 |
95.3 |
+4.6 |
3.2 |
O1+O4 |
95.8 |
+5.1 |
2.7 |
O1+O2+O4 |
96.5 |
+5.8 |
2.0 |
O1~O4 전부 |
97.0 |
+6.3 |
1.5 |
전이 시뮬레이션이 가장 큰 단일 병목입니다. 정답 전이 하나만으로 7.8점 격차의 45%를 회수합니다. 행동 분해는 남은 오차에 거의 기여하지 않습니다. 선택지 텍스트가 이미 그대로 쓸 만하다는 뜻입니다.
오라클 이득이 열등가법적(sub-additive)이라는 관찰도 중요합니다. 단일 이득 넷의 합은 +8.7인데 넷을 다 켜면 +6.3입니다. 단계 오차가 겹치기 때문입니다. 잘못 파싱된 상태 같은 상류 오차가 잘못 시뮬레이션된 결과라는 하류 오차를 만들고, 두 오라클이 그것을 각각 세는 것입니다. 회수 가능한 오차의 올바른 추정치는 단일 이득의 합이 아니라 결합 이득입니다.
결론은 이렇습니다. 7.8점 중 6.3점(81%)이 중간 단계 예측 오차, 주로 전이 시뮬레이션과 상태 파싱에 있고, 1.5점(19%)이 가치 평가·결정 규칙·잔여 난이도에 남습니다. 지금의 MWM을 제약하는 것은 결합된 세계가 어떻게 변하는지를 시뮬레이션하는 것이지 현재 무엇인지를 표현하는 것이 아닙니다.
어디에서 이득이 큰가
시스템 |
전체 |
대인관계 (47.5%) |
물체·자원 (28.1%) |
공간·지각 (12.9%) |
위험·규범 (11.4%) |
|---|---|---|---|---|---|
S1 직접 |
69.6 |
66.5 |
74.0 |
71.0 |
70.0 |
S2 +CoT |
79.2 |
79.8 |
79.0 |
78.2 |
78.0 |
S3 +SC@6 |
83.6 |
85.2 |
82.2 |
82.0 |
82.3 |
S6 전체 MWM |
90.7 |
92.9 |
88.0 |
89.5 |
89.7 |
S6 − S1 |
+21.1 |
*+26.4* |
+14.0 |
+18.5 |
+19.7 |
대인관계 장면이 직접 답변에는 가장 약한 범주(66.5)이면서 전체 MWM에는 가장 강한 범주(92.9)입니다. 이득이 +26.4로 가장 큽니다. 물체·자원 장면은 이득이 +14.0으로 가장 작은데, S1 점수가 이미 74.0으로 높다는 것은 직접 답변이 이미 잡아내는 상식적 어포던스에 더 의존한다는 뜻입니다. 범주 간 편차가 S1에서 7.5점이었다가 S6에서 4.9점으로 좁아집니다.
반면 도메인별 이득은 19.1~22.8로 평평합니다. 주거·야외·상업·기관·직장이 배경만 바꾸고 요구되는 추론 종류는 바꾸지 않기 때문입니다. 특정 도메인에서 이득이 튀었다면 데이터에 표면 규칙성이 있다는 신호였을 텐데 그렇지 않습니다.
모달리티
시스템 |
전체 (448) |
텍스트 (320) |
이미지 (100) |
비디오 (28) |
|---|---|---|---|---|
S1 직접 |
69.6 |
70.8 |
67.0 |
64.8 |
S3 SC@6 |
83.6 |
84.0 |
82.8 |
82.2 |
S5 구조화 상태 |
87.5 |
87.6 |
87.2 |
87.3 |
S6 전체 MWM |
90.7 |
90.5 |
91.2 |
90.9 |
S6 − S1 |
+21.1 |
+19.7 |
+24.2 |
*+26.1* |
직접 답변은 미디어 입력에서 낮습니다. 텍스트 70.8, 이미지 67.0, 비디오 64.8입니다. 텍스트와 비디오의 격차가 6.0에서 1.8, 0.3으로 줄다가 S6에서 사라집니다. 주목할 점은 이 격차가 시뮬레이션 이전인 S5에서 이미 닫힌다는 것입니다. 이야기가 타입 지정된 상태로 파싱되고 나면 하류 단계들이 입력 모달리티에 더 이상 의존하지 않습니다.
채널 개입은 이 이득이 실제 미디어 증거에서 나오는지 확인합니다. 이미지를 중립 캡션으로 대체하면 S1은 2.8점, S6은 6.4점을 잃습니다. 오디오를 빼면 S1은 2.7점, S6은 6.1점을 잃습니다. 남은 프레임 순서까지 섞으면 S6이 4.1점을 더 잃고, 오디오만 남기면 18.8점을 잃습니다. 텍스트 사전지식으로 답하는 시스템이라면 이 개입에 거의 영향을 안 받았을 것입니다. 손실이 커진다는 것은 미디어 채널이 실제 증거를 나르고 구조화된 파이프라인이 직접 답변보다 그것을 더 많이 쓴다는 뜻입니다.
회고
논문이 부록 B.3에 명시적 한계 절을 뒀습니다.
MENTIS는 MWM의 최종 아키텍처가 아니라 베이스라인 구현으로 읽어야 한다고 못 박습니다. 프롬프트된 LLM·MLLM 모듈의 약점을 그대로 물려받습니다. 프롬프트 문구에 민감하고, 스키마 실패가 나고, 심적 상태를 과잉 추론하며, 오차가 단계를 타고 전파됩니다.
현재 벤치마크 모드는 행동 집합을 주석된 선택지로 제한하므로 열린 정책 생성을 평가하지 않습니다. 개념적으로는 의사 에이전트가 자기 관측에서 \(K\)개 후보를 샘플링하는 자유 제안 방식도 지원한다고 하지만, 실제로 돌린 것은 아닙니다.
1스텝 전이 형식도 초기 구성요소 분석에는 적절하지만, 장기 지평 MWM에는 메모리·불확실성 전파·모델 보정·학습된 전이 함수가 필요하다고 인정합니다.
데이터 크기도 스스로 단서를 답니다. 448개는 동일 레코드 위 시스템 대 시스템 짝 비교와 정답 과정 주석 대비 구성요소 진단, 증거 채널 없이 풀리는지 감사에는 충분하지만, 리더보드식 모델 순위 매기기는 지원하지 않는다고 씁니다. 특히 이미지 100개·비디오 28개라는 부분집합 크기 때문에 모달리티 실험의 절대 델타는 방향성으로만 읽어야 하고, 안정적인 결과는 시스템을 가로지르는 단조 패턴이라고 명시합니다.
심적 상태를 추론하는 시스템의 윤리 문제도 짚습니다. 믿음·감정·취약성 같은 민감 정보를 다루므로 사전 동의, 목적 제한이 필요하고, 심적 추론을 민감하고 불확실하며 이의제기 가능한 것으로 취급해야 한다는 것이 로드맵의 마지막 줄입니다.
로드맵 표가 병목마다 기술 과제와 평가 신호를 짝지어 둔 것도 눈여겨볼 만합니다. 전이 시뮬레이션은 주석된 후속 상태에서 물리-심적 동역학을 학습하고 자기검사를 붙이는 쪽, 단계 오차 전파는 오차 인지 인터페이스와 탐지-복구 루프, 손으로 쓴 JSON 스키마는 감사 훅을 갖춘 하이브리드 기호-잠재 상태로 옮기는 쪽입니다.
정리
월드 모델의 상태 정의에 심적 변수를 1급으로 넣자는 주장이고, 8개 상용 모델에 걸쳐 사다리의 모든 단계가 값을 했다는 것이 근거입니다. 심적 채널을 빼면 12.1점, 물리 채널을 빼면 16.5점, 둘의 전이를 분리하면 6.4점이 빠집니다.
이 논문의 실질적 기여는 프레임워크보다 오라클 개입 쪽에 있습니다. 사람과의 7.8점 격차 중 81%가 중간 단계 예측 오차이고 그중 가장 큰 몫이 전이 시뮬레이션이라는 국소화는, 다음에 무엇을 고쳐야 하는지를 숫자로 지목합니다.
다만 MENTIS는 학습 없이 프롬프트로 돌리는 파이프라인이라 그 자체가 방법론적 기여는 아닙니다. 논문도 이를 최종 아키텍처가 아닌 검사 가능한 베이스라인으로 규정합니다. 448개 레코드라는 크기와 선택지로 제한된 행동 공간도 그대로 남은 제약입니다.