随着人工智能技术的飞速发展，智能体如何通过对环境的理解和模拟来做出有效决策成为研究的热点。世界模型作为认知和决策系统中的核心模块，承担着模拟现实世界动态的职责。早期的代表性方法如MuZero和Dreamer，在复杂任务中展现出卓越的表现，引领了世界模型的技术革新。然而，近年来大型语言模型（LLM）的出现为世界模型的设计和应用带来了新的可能性。LLM以其强大的泛化能力和自然语言理解优势被广泛探讨作为通用世界模拟器，为智能体的决策过程提供支持。大型语言模型不仅能够在语言处理领域展现优异的性能，更逐渐被视为能够模拟世界动态的工具，这一理念在“通过规划进行推理”（Reasoning via Planning, RAP）和“思想树”（Tree of Thought, ToT）等前沿方法中得到应用。
LLM在这些范式中扮演着世界模型的角色，帮助系统预测环境变化，支持更长远和复杂的决策路径。然而，目前对于LLM作为世界模型的评估往往局限于其是否能准确模拟环境转移或作为功能模块辅助规划。缺少从决策过程整体视角对其多维度表现的深入评测。为了填补这一空白，研究者提出综合性评估框架，重点考察LLM构建的世界模型在实际决策任务中的表现。通过选取涵盖31个多样化环境的基准，这些环境由Wang等人于2023及2024年提出，采取规则式策略作为参考，实现对LLM作为世界模型的全面测评。评估方案围绕三大核心任务展开：策略验证、行动提议与策略规划。
策略验证考察LLM模型对既有策略的合理性与适应性的分析能力；行动提议则测试其在具体情景下生成有效动作的能力；策略规划则挑战模型基于环境模拟推导最优决策序列。通过运用先进的LLM版本，如GPT-4o及GPT-4o-mini，研究在多种设置和环境下详细记录模型的表现。结果显示，GPT-4o在所有关键任务上均大幅优于性能较弱的GPT-4o-mini，尤其在需要大量领域知识的任务中表现突出。这表明大型且训练充足的语言模型在复杂环境中的世界模型构建和决策支持能力更为强劲。同时发现，当任务涉及长远的决策规划时，LLM的表现存在明显下降，这一现象提示出语言模型在时间依赖性和多阶段推理中的局限性。此外，结合多种世界模型功能时，系统的稳定性会受到影响，表现出性能波动。
这一观察反映出功能融合在提升模型综合能力上仍需谨慎，并需要进一步探索更稳定的协同机制。这些洞察对人工智能领域具有重要意义：首先，表明大型语言模型已具备成为世界模型的潜力，能够完成复杂环境的模拟并辅助高层次决策；其次揭示了当前模型在长远规划和多功能融合上的不足，提示未来研究应聚焦于提高推理深度及模型可靠性。对开发更智能、更通用的AI系统而言，精准评估世界模型对决策支持的实际效果，是推动智能体实现更优表现的关键环节。未来，结合更多样化环境与更加细致的任务设计，将有助于持续完善大型语言模型在决策系统中的应用框架。通过创新的评测体系能够帮助研究者深入理解模型优势与瓶颈，进而指导模型架构优化。总的来看，大型语言模型在世界模型构建领域展现出广阔前景，正逐步成为决策智能的重要驱动力。
随着算法和计算资源的不断进步，未来技术迭代中，LLM有望突破现有限制，成为支持自主智能体复杂行为规划的核心组件。对工业应用和学术研究均具有深远意义。持续关注和深入探索大型语言模型作为世界模型的作用，将推动人工智能从感知与认知向真正意义上的推理与计划迈进，开创智能决策的新纪元。
