世界模型分不清看到的和记得的

把重力调小一半，让一个物体停在本不该停的位置，再问模型刚才发生了什么。它答得又快又笃定，用的是它熟悉的那套物理。

一、发生了什么

InfiniteWorld 是个物理推理基准，10 月 24 日挂出。它的做法不是收集更多视频，而是成对地造视频：同一个场景，系统性地改动物理参数，再配同一道题。

生成流程五步：仿真、场景筛选、成对视频转译、问题构造、输入检查。任务分五类——识别定律、估计参数、时序推理、解析式反事实比较、从观察里归纳规律。

评测设计是这篇最值得看的部分。每道题都有五种匹配的输入设置：只给文本；给仿真视频的有序帧；给打乱顺序的帧；给转译视频的有序帧；给转译视频的打乱帧。同一道题、同样的选项，唯一变化的是证据。

在被评测的一批视频语言模型上，结果指向同一个方向：模型持续偏好熟悉的物理规则。帧对多数模型有帮助，但不同任务上的增益不一致。地球正常条件下的题正确率可以很高，同时对「被改过的动力学」识别很差；观测到的物理明明变了，答案照样回到地球常态。

作者还强调打分要分两层：任务分数与语义一致性。这样才能区分「找对了起作用的因素」和「算对了它的量」，也能区分「答对」和「反复犯同一个错」。

边界：摘要没有列出参评模型的数量和名单，没给数据集规模——多少段视频、多少道题，也没有给任何具体分数。五类任务各自的样本量同样未说明。作者也没有在摘要里声称某个模型解决了「偏好熟悉规则」这个问题，只说了这个偏好被测量出来了。

补一点同主题背景。这是背景，不是论文结论：过去两年视频模型在物理常识评测上分数一直往上走，但很多测试集的画面本身就符合日常经验，答对可以靠记忆而不是推理。这也是为什么「把参数系统地改掉」比「多收几万条视频」更能暴露问题。

二、跟你有什么关系

做世界模型、视频生成的：能预测下一帧，不代表抓住了帧背后的因果。这个基准提供的测法是「换参数后还准不准」。

做具身智能评测的：真机测试贵，先在仿真里成对改参数，是一个便宜的先筛手段。

买视频理解能力的团队：演示视频里一切都是常规物理，看不出这类短板。要测就测反常识片段。

三、怎么判断

1. 同一道题换证据喂。文本、有序帧、打乱帧各跑一遍。答案跟着证据走才算在看，答案不随证据变，就是在背先验。
2. 专挑「地球以外」的样本。把重力、摩擦、弹性改掉，看它是否还套用日常经验。
3. 分开记两个分：说对是哪个因素，和说对数值。前者对后者错，与两者都错，是两种能力缺陷。

四、三个别信的说法

「物理题分数高，说明模型懂物理。」 分数里混着常识记忆。地球常态题答得好，可能只是相似画面见过太多。

「多给几帧总没坏处。」 摘要说帧对多数模型有帮助，但各任务增益不同。有的任务上，画面多了反而干扰判断。

「打乱帧顺序只是消融实验的花活。」 它恰恰是这套设计的关键：同一批像素只改时序，就能看出模型在读画面还是在读顺序。

五、一句话结论

判断一个模型懂不懂物理，不看它答对多少常识题，看它在常识失效时会不会改口。

信息来源

• arXiv：InfiniteWorld，把视觉证据和熟悉物理分开（2026-10-24）

功能与价格以官方公告为准。本文写于 2026 年 10 月 27 日。