stable-worldmodel 是一个面向世界模型研究的开源平台，旨在提供可复现的研究与评估流程。它由 galilai-group 维护，代码托管在 GitHub 上。
用途 该平台为世界模型研究的三个核心阶段——数据收集、训练和基于模型预测控制（MPC）的评估——提供单一、统一的接口，并覆盖大量标准化环境。它附带常见基线模型和规划求解器的参考实现，使研究代码可以专注于模型和目标本身，而非基础设施。
主要能力
- 统一接口：整合数据收集、训练和评估流程。
- 标准化环境：环境来自 DeepMind Control Suite、Gymnasium classic control、OGBench、Craftax、Arcade Learning Environment（100+ Atari 游戏）以及经典世界模型基准（Two-Room、PushT）。大多数环境附带独立可控的视觉和物理变化因子（如光照、纹理、动态、形态），便于评估零样本泛化到分布偏移，无需额外设置。添加新环境只需符合 Gymnasium 接口。
- 参考实现：scripts/train/ 中提供参考实现，lewm.py 实现 LeWM，prejepa.py 复现 DINO-WM。
- 数据集格式：默认数据集格式基于 Lance 技术栈（lancedb、pylance、pyarrow），作为单独的可选依赖提供，避免仅需求解器和世界模型的用户安装约 410 MB 的原生 wheel。支持 LeRobot 数据集（需 Python 3.12+，通过 pip install 'stable-worldmodel[lerobot]' 安装）。
- 格式注册表：记录、加载和转换都通过一个小型格式注册表进行，可选择匹配权衡的后端，或注册自己的后端。每个写入器接受 mode 参数（'append' 默认、'overwrite'、'error'），重新运行 world.collect 会扩展现有数据集而非失败。
- 命令行界面：安装后提供 swm 命令，用于检查/转换数据集、环境和检查点，无需编写代码。
- 存储：数据集和检查点存储在 $STABLEWM_HOME（默认为 ~/.stable_worldmodel/），可通过环境变量覆盖。
使用方式 安装：可通过 pip 安装，数据相关依赖作为额外项（[data]）提供，LeRobot 支持通过 pip install 'stable-worldmodel[lerobot]' 安装。从源码安装（开发）：可参考仓库说明。 快速开始：仓库提供 Quick Start 指南。 训练：参考 scripts/train/ 中的实现，或使用 HuggingFace 对象存储直接训练而无需本地下载数据集（见 notebook）。 评估：使用内置求解器和基线进行基于 MPC 的评估。 文档：完整文档位于 galilai-group.github.io/stable-worldmodel，包含 API 参考、教程和指南。
适用场景 适用于世界模型研究，包括数据收集、模型训练、规划求解器评估、零样本泛化测试等。适合需要标准化环境和可复现评估的研究人员。
限制 该库处于活跃开发中，API 可能在小版本之间发生变化。部分功能（如 LeRobot 数据集支持）需要 Python 3.12+。数据相关依赖体积较大（约 410 MB），作为可选额外项安装。
