提出EARL框架，区分状态空间压缩与动力学压缩两种表征不变性涌现机制。

提出DreamX方法，复用预训练视频扩散模型学习跨形态一致的通用动作表征，解决现有模型动作-外观纠缠问题。

提出协同学方法Corroborative Learning，利用模型间互补性进行响应级重建，在不共享参数前提下提升协作性能。

提出受控评估框架，分离样本数量与表征更新频率影响，明确长尾识别中编码器进一步适配的价值判断条件。

提出world2vec，无奖励信号下从观测与动作中学习高保真长程动力学，参数量比Dreamer少一个数量级。