更改

# '''编码器（后验估计）模型'''：<math>s_t \sim q_\phi(s_t \mid h_t, x_t)</math>。给定真实观测<math>x_t</math>，编码器推断<math>s_t</math>的后验分布。训练时通过重构损失和KL散度正则化校正先验预测。

# '''编码器（后验估计）模型'''：<math>s_t \sim q_\phi(s_t \mid h_t, x_t)</math>。给定真实观测<math>x_t</math>，编码器推断<math>s_t</math>的后验分布。训练时通过重构损失和KL散度正则化校正先验预测。

#  

#  

# '''观测解码器模型'''： <math>\hat{x}t \sim p_{\phi}(x_t \mid h_t, s_t)</math>。从<math>h_t</math>与<math>s_t</math>解码出<math>x_t</math>，通过最大化观测似然或最小化重构误差进行训练。

# '''观测解码器模型'''： <math>\hat{x}_t \sim p_{\phi}(x_t \mid h_t, s_t)</math>。从<math>h_t</math>与<math>s_t</math>解码出<math>x_t</math>，通过最大化观测似然或最小化重构误差进行训练。

#  

#  

# '''奖励预测模型'''：<math>\hat{r}t \sim p_{\phi}(r_t \mid h_t, s_t)</math>。用以在潜在空间中预测奖励，辅助世界模型训练，并为策略优化提供模拟反馈。

# '''奖励预测模型'''：<math>\hat{r}_t \sim p_{\phi}(r_t \mid h_t, s_t)</math>。用以在潜在空间中预测奖励，辅助世界模型训练，并为策略优化提供模拟反馈。

#  

#  

# '''继续标志（终止预测）模型'''：<math>\hat{c}t \sim p_{\phi}(c_t \mid h_t, s_t)</math>。预测episode是否终止（<math>c_t \in {0,1}</math>），即预测折扣因子<math>\gamma_t</math>。DreamerV2起引入此机制，以在想象轨迹中判定何时停止推理。

# '''继续标志（终止预测）模型'''：<math>\hat{c}_t \sim p_{\phi}(c_t \mid h_t, s_t)</math>。预测episode是否终止（<math>c_t \in {0,1}</math>），即预测折扣因子<math>\gamma_t</math>。DreamerV2起引入此机制，以在想象轨迹中判定何时停止推理。

RSSM将环境建模为部分可观察马尔可夫决策过程（POMDP），确定性隐状态<math>h_t</math>累积历史信息，维持跨步连续性；随机潜变量<math>s_t</math>捕捉观测不确定性及新输入信息。这种设计具备重要意义：

RSSM将环境建模为部分可观察马尔可夫决策过程（POMDP），确定性隐状态<math>h_t</math>累积历史信息，维持跨步连续性；随机潜变量<math>s_t</math>捕捉观测不确定性及新输入信息。这种设计具备重要意义：