世界模型赢了任务，却没学会物理

考驾照看的是你能不能把车开到终点，没人管你懂不懂发动机。一篇新论文说：当前所有顶尖的世界模型，都还是这样的「会开车但不懂车」——任务分数很高，脑子里的物理图画却是错的。

一、发生了什么

arXiv 10 月 27 日挂出的这篇论文，矛头指向世界模型评测的老毛病：大家都在测任务成绩，几乎没人检查模型学到的内部动态到底像不像真实环境的运转。需要说明的是，这是背景，不是论文结论：近几年世界模型被普遍当成 agent 走向长程任务的核心组件，游戏训练场、机器人预演、规划系统都在往这个方向押注；正因投入这么大，「脑子里的图画到底对不对」才成了值得单独立法审查的问题——它决定这批投入的底层假设成不成立。论文先立了个概念——「忠实的」潜在世界模型，判据是环境真实的状态转移和模型学到的隐空间动态之间要满足等变性：真实世界怎么变，模型脑子里的图画就该怎么跟着变。再配了一把尺子：一个衡量「在隐空间里按动作推演、结果和环境真实演化是否一致」的指标，论文里缩写为 LRC。然后拿当前一批最先进的潜在世界模型去测。结果相当刺眼：没有一个模型是靠忠实建模环境动态来过关的——它们把任务做对了，但隐空间里那套推演和真实环境对不上号。

二、跟你有什么关系

做具身和机器人的。 你指望世界模型在训练场之外泛化，前提是它脑子里的物理是对的。这篇论文说明现在的模型没过这一关，安全攸关场景里别把「仿真分高」当成可靠的通行证。

做 agent 长程规划的。 世界模型被寄望于支撑长时程推演，但如果内部动态不忠实，推得越远错得越偏——长程任务的可信度需要重新估。

做评测的。 任务成功率测不出「懂不懂」，这套等变性判据和一致性指标给了第三种测量维度，可以直接搬进你的评测框架。

三、怎么用

1. 选型世界模型时加一道题：不问「任务分多少」，问「隐空间推演和真实转移的一致性怎么量化」。答不上来的供应商，泛化承诺打折听。
2. 给自己的模型补测一致性指标。论文的做法是把动作条件下的隐空间预测和真实环境演化做对照，流程不复杂。
3. 用世界模型做规划时缩短推演视窗。内部动态不忠实的模型，视窗越长误差滚雪球，短视窗加重规划比长视窗更稳。
4. 评测体系里给「忠实度」单独立项，和任务成功率并列报告。两个数字一起看，才能分辨一个模型是真懂还是在凑分。

四、三个别信的说法

「任务分数高说明学会了世界」。 这正是论文要拆穿的等式。得分和解题用的是否同一套机制，评测里不区分，结论就可能是假的。

「模型大了动态自然就对了」。 论文测的是当前最先进的一批，结论依然是没有一个忠实。规模目前没有自动换来物理理解。

「这只是理论洁癖，不影响落地」。 恰恰相反。世界模型的所有卖点——想象、规划、预演危险——都建立在内部动态可信之上。这是地基，不是装饰。

五、一句话结论

会做题不等于懂物理，世界模型的下一关是让脑子里的图画对得上真实世界。

信息来源

• arXiv：理解潜在世界模型的极限，2026 年 10 月 27 日

功能与价格以官方公告为准。本文写于 2026 年 10 月 28 日。