object-centric

介绍了以对象为中心的环境建模（OCM），该方法将LLM代理的经验组织成两个可执行代码库（对象知识和过程知识），以提高复用性、验证能力，并减少交互环境中的无效动作。

OPINE-World 引入了一个 LLM 智能体，通过交互在线学习以对象为中心的程序化世界模型，采用本体错误优先的探索和协作的假设-测试智能体，在 ARC-AGI-3 上取得了强劲的结果。

本文提出了EHHN，一种针对服务流程中面向对象的下一个活动预测的事件驱动异构超图网络，在四个基准数据集上实现了最先进的准确性和内存效率。

一个以对象为中心的残差强化学习框架提升了视觉-语言-动作模型的零样本模拟到真实迁移能力，在无需真实世界训练的情况下，将操作任务的成功率从42%提高到76%。

COMET 是一种基于模型的强化学习算法，结合了冻结的对象中心编码器、基于 Transformer 的世界模型和 Monte Carlo Tree Search，通过因果注意力聚焦于任务相关对象，在视觉强化学习基准上取得了更高分数。