研究提出跨回合空间变化记忆，让空间世界模型随物理经验持续更新

该研究探讨空间世界模型在持续运行中如何利用重复物理经验逐步变得更有用，而非只是更持久。作者用物理驱动的动态迷宫把反复出现的空间变化与动作的连续后果分开，提出跨回合空间变化记忆（Cross-episode Spatial Change Memory）学习环境变换之间的关系，并用状态-动作-结果经验改进运动预测。结果显示，结构化经验逐步减少未来路线纠正的需求，并能迁移到学习时未遇到的空间转换；当过去的变化不包含未来变化的信息时，这一优势消失。