World Model Domain Map

核心定义

World Model = AI Agent 的环境建模能力——预测行动后果、模拟状态转移、支持 counterfactual planning。是 MBRL、Video Generation、GUI/Web Agent、Multi-Agent Simulation 的交叉领域。

技术架构

mindmap
  root((World Model))
    Paradigm
      Video World Model
      Deterministic Geometric
      Robotic Policy Eval
      Environment Synthesis
      UI/GUI World Model
    Challenge
      Long-term Rollout
      Memory Mechanism
      L3 Evolver
      Real-World Gap
      3D Consistency
    Application
      Agent Training
      Synthetic Data
      Policy Evaluation
      Planning & Reasoning
      Multi-Agent Simulation

研究路线

1. Video World Model (主流)

里程碑:

• Wan2.1/Wan2.2: 视频生成基础模型
• MultiWorld: Multi-agent multi-view extension
• HybridMemory: 动态主体 memory 机制
• World-R1: RL（Flow-GRPO）对齐 3D 约束

关键发现:

• 视频级预测噪声大，长期 rollout 误差累积
• Memory 机制忽略动态主体的独立运动逻辑
• RL 方式（World-R1）比架构修改更 scalable

关联: 2604-MultiWorld, 2603-HybridMemory, 2604-HYWorld2, 2604-WorldR1

2. Deterministic Geometric Environment (突破点)

问题: Model voting 构造伪标签有噪声

方案:

• SpatialEvo DGE: 从点云和 camera pose 确定性计算答案
• 单模型 GRPO + task-adaptive scheduler

优势: 零噪声奖励信号，支持 self-evolving

关键 ablation: w/o Physical Grounding → VSI-Bench 46.1 → 18.8（27+差距）

关联: 2604-SpatialEvo

3. Robotic Policy Evaluation (新方向)

问题: Robotic policy 评估不可规模化

方案:

• dWorldEval: Discrete diffusion world model + progress token
• 统一 token space: vision + language + action
• Sparse keyframe memory

优势: Progress token 编码任务完成状态，与 L3 Evolver 概念关联

关联: 2604-dWorldEval

4. Environment Synthesis

方案:

• Agent-World: MCP servers + PRD 采集，1,978 环境
• GenerativeWorldRenderer: 游戏截取 4M 帧 G-buffer

优势: 大规模环境，scaling 曲线清晰

风险: MCP-Mark 绝对分数低（8B 8.9%）

关联: 2604-AgentWorld, 2604-GenerativeWorldRenderer

5. UI/GUI World Model

应用: 支持 GUI Agent planning

方案:

• MobileDreamer: 文本草图世界模型 + 回滚想象，+5.25% AndroidWorld
• UISim: Layout prediction → layout-to-image 两阶段

优势: Layout-first 设计符合 UI 结构化本质

关联: 2600-MobiledreamerGenerativeSketchWorld, 2500-UisimInteractiveImageBased

6. Conceptual Framework (Survey)

Taxonomy (AgenticWorldModel):

• Levels: L1 Predictor → L2 Simulator → L3 Evolver
• Laws: Physical / Digital / Social / Scientific

L3 Evolver: 自主修正模型——最 ambitious 但 open

关联: 2604-AgenticWorldModel, 2604-Externalization

Benchmarks

Benchmark	类型	SOTA
VSI-Bench	3D 空间推理	SpatialEvo: 46.1
MCP-Mark	Environment synthesis	Agent-World 14B: 13.3%
HM-World	Memory testing	HyDRA: 0.926
AndroidWorld	GUI Agent	MobileDreamer: +5.25%
LIBERO	Policy evaluation	dWorldEval
RoboTwin	Robotic manipulation	dWorldEval

关键洞察

Pattern 1: SpatialEvo DGE 是唯一真正的 insight

确定性几何替代 model voting，但适用场景极窄（室内静态）

Pattern 2: L3 Evolver 层级仍是 open problem

现有 world model 无法自主修正，只能做到 L2 Simulator

Pattern 3: Video World Model 的 memory 有问题

动态主体出画再入画会消失/扭曲

Pattern 4: Environment Synthesis 工程量大但 insight-light

Agent-World、GenerativeWorldRenderer 都是工程整合

Pattern 5: UI World Model 的 layout-first 设计正确

UISim 的 decomposition 符合 UI 结构化本质

Pattern 6: RL for World Model 正在兴起

World-R1（Flow-GRPO）、SpatialEvo（GRPO）都用 RL 而非架构修改

Pattern 7: Progress token 是有趣的新 idea

dWorldEval 将任务完成状态编码进 world model

待解决问题

1. L3 Evolver 实现：prediction 失败时如何自主修正？
2. World Model failure mode 系统性分析（template collapse 等）
3. Video World Model 长期 rollout 的误差累积
4. DGE 适用边界扩展（室外/动态场景）
5. Real-World vs Synthetic gap（JSON/CSV vs live API）
6. World Model + GUI Agent grounding 结合
7. Progress token 作为 L3 Evolver 触发信号？

下一步

方向	Action
DGE	研究 SpatialEvo 的扩展可能性
Memory	跟进 HybridMemory 的真实场景验证
Environment	监控 Agent-World 的 MCP-Mark 进展
UI World Model	研究 MobileDreamer + grounding 结合
Policy Eval	研究 dWorldEval progress token 与 L3 Evolver 关联

近期格局变化

• 2026-08-11｜“world model 只当训练信号、部署期整体丢弃”收敛为 WAM 子族，且拿到了耦合拓扑的机制解释：同期四篇独立工作（2608-SimWAM 驾驶 / 2608-JEPAWAM latent 空间 / 2608-WorldTokens 表示瓶颈 / 2608-MobileWAM mobile manipulation）与既有 2607-STWAM 合拢：训练时联合建模未来、部署时删除整个 WM 分支，推理成本落回纯 VLA 量级。比工程形态更重要的是三组互不相识团队的消融同向——SimWAM 让 action attend 未来帧不涨点（90.3≈90.2≈90.1）、JEPA-WAM 把预测的未来喂 action expert 掉 6.1 个点、WorldTokens 的非排他路由使 video 与 action 目标竞争（94.1 vs 97.0）——监督应经共享表示塑形 policy，预测的未来不该作为 policy 的输入。这与 08-04 记录的”新增预测通路不是主要收益来源”互为表里，也把 imagine-then-act 路线的推理开销论证系统性拆除。边界：全部为 manipulation/驾驶短横幅任务，长程任务上丢弃想象是否无损无人测过；GUI 侧 2608-AppDeltaWorld 的 world model 同样只在训练期承重，跨 GUI 与 embodied 的这一默认工程选择正是 AFE 方向要挑战的假设（WorldModel-Survey 路线 4 新分支）

• 2026-08-11｜digital WM 的 fidelity 缺口从 survey 判断落成三个可测实验：2608-EnvACE（把环境彩排收进 policy 权重，归因显示”内化”只值 +1.2、自生成 rollout 通道值 +4.3，彩排保真度零测量）、2608-AppDeltaWorld（consensus reward 负结果：23.5% rollout group 无唯一赢家——状态等价判定缺失）、2608-DreamGuard（RSSM guard 25 ms/call 但跨分布 PHIR 96.3→16.8，“世界”是被风险标签塑形的潜向量）用途各异而共享同一缺口，把 2606-EnvEngineeringSurvey 的 fidelity under-researched 具体化为：彩排对真实响应逐条对账、状态等价判据、第二个长程分布 leave-one-out。DreamGuard 与 SeerGuard 合看还给出 guard 一族的权衡曲面：延迟、证据可读性、跨分布鲁棒性当前不可兼得（WorldModel-Survey 路线 7）

• 2026-08-11｜L1/L2/L3 出现术语碰撞，vault 内需带限定词：2608-WorldProxy（position paper）复用 L1/L2/L3 记号表示对 agent 的介入深度（推理期提示/训练期信号/共演化），与 2604-AgenticWorldModel 的能力刻度（Predictor/Simulator/Evolver）正交；两文共享两名作者且前者的”按 agent 提升量验收”主张系后者 decision-centric evaluation 的重述、未致谢。本 map 与 survey 的 L1/L2/L3 一律指 Chu 能力刻度，引介入深度写 Proxy-L1/L2/L3；其 6×3 设计空间只作检索索引与稀疏格选题指针（Spatial×L3 / Reward×L3），不作组织原则——三套互不兼容的顶层切法在 20 个月内相继出现且均未降为可测量对象，taxonomy-heavy, evidence-light 是该方向的第二个症候（WorldModel-Survey 路线 9）

• 2026-08-05｜层级式 world model 框架第一次有了可测量的刻度：2608-WorldExam 把评测从单一总分改成四个分别报告的诊断层级（8 任务 / 1,474 case），关键构造是 World Reactivity——只给触发性控制、把本该诱发的场景反应整个留空不写进指令，于是分数衡量的是模型自己补出了什么而非它照做了什么。前两层大致对应 2604-AgenticWorldModel Levels × Laws 框架的 L1，后两层才踏进 L2；这套”不说出应然结果”的构造可直接迁移到 GUI 与 embodied 环境评测——那两处的任务描述普遍把预期后果写进指令，因而测不出模型是否真的具备环境动力学模型（WorldModel-Survey 路线 10）

• 2026-08-05｜“控制被执行”与”世界会回应”被分离成两个独立失效面：action 接口在 Subject Control 上领先（55.47 对 37.28），却在 Terrain / Object / Physical Reaction 三层分别落后 37 / 42 / 30 分——反转幅度远大于领先幅度，说明 action-following 做得好并不蕴含世界会做出正确反应，二者需分别验收（2608-WorldExam）。边界：接口范式与模型档次共线（dynamic track 上 action-driven 仅 2 个本地模型对 7 个 API 系统），尚无 matched 对照，因此这是一条被定位出来的失效面而非已归因的结论（WorldModel-Survey 路线 10）

• 2026-08-05｜“视觉质量不构成 world model 能力验收”升级为三条切法不同的独立证据：2607-GigaWorld1 从 evaluator agreement 切、2607-PhiZero 从生成 vs 判别切、2608-WorldExam 从分数分布切（General 层窄带 79.64–81.04 而 Task 层宽带 39.85–65.02，即视觉质量已饱和到几乎不可分辨时任务层仍相差一倍）。三者团队、数据、评测目标均不同，Takeaway 24 由单篇观察抬为跨范式结论——planner / evaluator 不能靠视频质量指标验收（WorldModel-Survey / EmbodiedAI-Survey）

• 2026-08-05｜contact-sensitive failure 是两条独立评测线收敛到的同一处：2607-GigaWorld1 的 optimistic bias 与 2608-WorldExam 的 Object Interaction 失败模式（被接触物体不变、主体直接穿过去，最好的 action-driven 仅 33.75 而 language-driven 达 75.96）指向同一类物理约束缺失。库内暂无机制层面的独立解释或复现，列为待验证 pattern 而非已确立结论。该收敛判断已于 2026-09-07 被 2608-WorldSimProbe 降级为方向上的争议，见下（WorldModel-Survey 路线 6）

• 2026-08-04｜给 WAM 增加新的未来预测通道，收益未必来自”预测”那一半：2607-STWAM 在 VAE 未来之外并行预测冻结 DINOv3 的语义未来（零样本 LIBERO-Plus 72.8 对 Fast-WAM 51.5、真机视觉偏移 61.5 对 25.8），2607-N0TWAM 把触觉与视觉一起作为生成目标（UniVTAC 84.5 对 67.1、真机 46.3 对 30.0）；但两篇的消融同向地削弱各自的新颖性叙事——ST-WAM 的 DINO-only future 在 LIBERO-Plus 只有 39.7，低于纯 VAE 的 51.5（语义与像素互补而非可换）；N0-TWAM 去掉反应式 observed 触觉通路（70.5 / 29.6）比去掉前瞻式 predicted 通路（71.8 / 41.1）掉得更多，且预训练规模才是最大的单一因素（84.5→65.4）。两篇都缺”逐条移除预测目标”的 matched 对照，库内无独立复现（WorldModel-Survey / VLA-Survey）

• 2026-08-04｜world prediction 进入 RL 的 critic 侧，成为 WM×VLA 的第七种耦合：2607-WCM 让 critic 在预测 return 的同时预测下一帧 LeJEPA latent，drop-in 替换 PPO / Flow-SDE / AWR / RECAP 四种 VLA RL 算法的原 critic（149 仿真任务 + 7 真机任务）；λ=0 的 history-ViT 对照——同样的多帧时序容量、没有世界预测目标，依然无效——把增益与”多看几帧”分开。但全文无 value-accuracy 指标，中间因果链未测，增益幅度只有 0.8–2.3（WorldModel-Survey）

• 2026-08-04｜Levels × Laws 的 Social 约束域出现首篇正面工作：2607-MentalWorldModeling 把 belief / goal / intention 从事后 rationale 升格为随动作演化的状态变量，观测定义为联合状态的第一人称渲染（因此可表达 false belief），并给出 448 条 process-annotated 的 Menti-Bench；其 necessity ladder + channel intervention + oracle cascade 是一套可迁移的”增益来自机制还是 prompting”审计模板（oracle 单增益之和 8.7 > 组合 6.3，量化了模块化 pipeline 的跨阶段误差税）。但消融显示移除 physical 通道（−16.5）比移除 mental 通道（−12.1）代价更大，且全文只报 final-action F1——目前证据支撑”结构化 prompting 有效”，不支撑”心理状态被正确建模”（WorldModel-Survey）

• 2026-08-02｜“生成保真 ⇒ 懂物理”被同一模型内的指标背离直接反驳：2607-PhiZero 用自监督离散”物理语言”（FSQ 25K 词表，4 秒视频 → 256 符号）先推理后渲染，Physics-IQ Verified 41.2 超 Cosmos3-Super 39.5 与 Wan2.2-14B 32.2，但 IntPhys2 Hard 仅 52.38（随机 50，纯 latent 的 V-JEPA 57.42），LikePhys 刚体第一而流体倒数第三。此前只在 evaluator 场景成立的”质量 ≠ 视觉保真”由此推广为 WM 的一般性质：凡消费判别能力的用途都不能用生成指标验收；且该文缺同数据同算力、仅移除中间表示的对照，21.2→41.2 混淆表示/数据/训练三变量（WorldModel-Survey）

• 2026-08-02｜WM 的耦合方式从五种扩为六种，新增推理期 planner：2607-WorldActionPlanner 把 world model 从训练期消费品挪到推理期——VLM 提子目标、WM 在想象中评估、policy 降级为工具，pose-image conditioning（正向运动学渲染骨架图再 VAE 编码）绕开低维动作与视频骨干的接口失配，compositional LIBERO-Long 72 对 π0.5 的 4、cosmos-policy 的 0，1 次想象胜过带 ground-truth reward 的 BoN-8（60 vs 42）；但系统带 URDF、相机标定与硬编码抓放原语，仅 Table 9 隔离 WM 自身贡献，全仿真无真机、无 imagination horizon 扫描（WorldModel-Survey / EmbodiedAI-Survey）

• 2026-07-21｜Digital domain WM 收敛于文本语义状态空间：2607-SeerGuard（8B 语义预测超 235B 基座）、2511-DreamGym（Theorem 1：ε_R+ε_P 与像素重建无关）、2510-UISimulator（合成经验 4× OS-Genesis）从安全/理论/训练三角度独立收敛——与 robotics 的 pixel/latent 路线形成清晰分野（WorldModel-Survey）

• 2026-07-21｜WAM”可检查想象”安全假设被实证击穿：2607-BadWAM 用 black-box 视觉扰动使 action 与 imagined future 解耦（LIBERO 96.5%→43.1%）；WAM 范式需要 action–imagination 同步性验证器这一新组件（WorldModel-Survey）

• 2026-07-21｜“降级使用”成为 WM 落地的跨领域 pattern：预测精度不足时选容错性高的用途——2603-Memoir imagination 作 retrieval query、2411-WebDreamer 仅 H=1 lookahead、2607-SeerGuard 仅二分类风险判定；WM 精度要求越低的用途落地越早（WorldModel-Survey）

• 2026-07-29｜实时 video WM 转向 control–memory–distillation co-design：2607-Wonder 把 rendered camera evidence、full-fidelity sparse KV 与 sparse-context-aware distillation 组合到分钟级 generation；但 16 FPS 无硬件口径、无 component ablation，且 camera control 不等于 agent-action simulation（WorldModel-Survey）

• 2026-07-29｜Digital WM 的 grounding 分化为 external prior 与 executable structure：2510-RWoM 用 tutorial ground imagined rollout，2607-ObjectCentricEnv 用 object/procedure code + re-execution gate 维护模型；两者共同证明 grounding/可执行性有用，也共同暴露它们不等于语义正确（WorldModel-Survey）

• 2026-07-29｜World model 被重新放回 environment lifecycle：2606-EnvEngineeringSurvey 以 modeling→synthesis→evaluation→application 组织 environment engineering，并把 diversity/complexity/fidelity 缺口显式化；单看 prediction quality 已不足以评价环境对 agent 的训练与验证价值（WorldModel-Survey）

• 2026-09-07｜长时程 visual persistence 的第一约束从”存不下”改判为”读不到”：2608-WorldTrace 指出 rollout 超出训练 horizon 后 temporal RoPE 的 query–key offset 落到训练分布外，快频分量相位绕过 π 多圈、贡献退化为噪声——记忆仍在 KV cache 里但 attention 寻址不到（附录对 MG2-1.3B 逐频率量化：训练最大 offset 为 5，offset=30 时最快三个分量相位已超 3π）；又因在旋转空间 naive 平均会 phase cancellation，key 必须存在 canonical 空间、读取时单次旋转到按 slot rank 分配的 in-distribution virtual position。修法 training-free，只改固定 checkpoint 上的 cache 读写，在 O(1) 预算下把 ABA 回访一致性从 PAC 0.723 拉到 0.864。这直接修正本 map 的 Pattern 3（video world model 的 memory 有问题）的归因方向：容量与压缩之外还有一个更靠前的位置轴。最有信息量的是那个负结果——把该 position 方案接到 MemRoPE 的写入器上反而更差（p<0.001），说明位置分配与内容写入必须在同一 offset 分布下协同设计。同路线的 2607-ABotWorld0 从反面提供同一处证据：它用 bounded KV cache + rolling eviction 换到单张 RTX 5090 上 12.4–15.8 FPS 的实时性，代价正是 Memory 成为其 WorldRoamBench 七个维度里相对最弱的一项（0.5041 对 Genie 3 的 0.6073）。边界：WorldTrace 主结果只在单个 1.3B 游戏 world model 上，LingBot-World 仅附录级验证且一种写入器在其上几乎无增益，2× horizon 无显著增益；LoopBench 由同一团队提出、PAC 基于 CLIP 相似度且同一配置跨表绝对值差异大，“该记住哪些位置”的写入策略仍未解，动态主体的 exit/re-entry 不在其范围内。ABot-World-0 的 benchmark 作者与其 Benchmark Team 高度重叠，须按自家评测读（WorldModel-Survey 路线 1）

• 2026-09-07｜contact 失效的”两条评测线收敛”须降级为方向上的争议：本 map 2026-08-05 记录的收敛判断在加入第三条线后不成立。2608-WorldSimProbe 与 2607-GigaWorld1 的 optimistic bias 同向且更硬——其 50 例审计中观察到的 grounding failure 全部是幻觉出接触、无一是漏掉接触，据此构造的 simulator 验证 no-contact 场景上，六模型最挡不住”有接触视觉线索但无控制支持”的情形（三触发均分 distractor 75.0 / spatial proximity 54.5 / appearance-induced false contact 38.6）。而 2608-WorldExam 的失败是相反符号：被接触物体保持不变、主体直接穿过去。两者不互相反驳，因为构造相反（一个考会不会无中生有，一个考会不会漏掉），但合起来说明 contact 在两个方向上都不可靠、尚未被归结成单一机制。引用”contact 是 WM 的弱点”时必须带上方向，否则会把两组不可合并的证据算成两票（WorldModel-Survey Takeaway 32 / 路线 6）

• 2026-09-07｜world model 评测出现第二条拆法，并带出一条影响 vault 内多篇评测的 judge 修正：2608-WorldSimProbe 把”ACWM 能不能当 simulator”写成 Observable Simulator Contract 的两个可观测条件——动作是否被实现（r̂ ≈ Φ_R）、环境响应是否由已实现的运动物理支持（ê ≈ Φ_E）——五个 probe suite、18,608 实例、6 个开源 ACWM、三个仿真平台，每个反事实先在 simulator 内执行并冻结 manifest。与 2608-WorldExam 的”指令写明 vs 须自行推断”轴互补而非冗余。三条跨模型一致的读数：faithfulness 随控制偏离训练分布单调退化（cross-task replay 平均 Spearman ρ=−0.433；不熟悉执行风格低 10.8–16.1 分），且 action-injection 与 unified action–video 两类架构都横跨高低名次——架构不解释 simulator faithfulness；interaction primitive 间差异大于模型间差异（tap 40.8–56.9，shake 0.0–1.2）。两条方法层结论对本 map 之外同样适用：下游可用性只在 OOD 控制下才有分辨力（standard 轨迹 78–86% 无法区分模型，OOD 下分离为 53/34/21%），以及 VLM 二元 rollout judge 系统性偏乐观——对 91.7% 的样本判 positive action following，人类只判 42.2%（同批数据上 RMFA 与人类分级评分 ρ=0.750，VLM 一致率 0.450，IDM ρ=0.284）。后一条直接影响库内一批依赖 VLM judge 的 action-following 评测的可读性；需同时记住的限定是它并非”VLM judge 不可用”——WorldSimProbe 自己的 primitive 判定仍用 VLM judge，只是先在 human-verified reference set 上验到 94–97% 一致率，差别在于判的是有明确 checklist 的分项标签而非整体二元判断。边界：全部在仿真内、单一外部视角，模型均为各平台官方 split 上的 in-domain fine-tune，不能外推到通用 pretrain ACWM 的 zero-shot；ρ=−0.433 与 10.8–16.1 只在 RoboTwin 上报告；downstream 仅一个 RoboTwin task（作者自称受控 case study）（WorldModel-Survey 路线 10b / Open Problem 26）

• 2026-09-07｜显式 3D 表示这一支补上了此前缺的 action conditioning 与 scaling 证据：2606-PointWorld 把 state 与 action 统一为 3D point flow——state 是 RGB-D 反投影的场景点云，action 是按 URDF 正向运动学推演出的 dense robot point flow，因此动作是”想象出来的、完整可见的”交互几何，遮挡区域的接触也能表达，且不绑定 joint 空间。模型（50M→1B）与数据（5%→100%）两轴在 log 空间都近似线性地降低逐点 ℓ2 mover 误差，是本方向少见的可预测投资回报曲线；配套的无标注三阶段 3D 标注管线（FoundationStereo → VGGT 外参对齐 → CoTracker3 lift）恢复了 DROID 中 >60% 的可靠 3D point flow，约 2M 轨迹 / 500 小时。库内此前的 3D/4D 工作以场景合成为主、无 action 接口，这一支由此分成两条。边界：主指标是 1 秒 horizon 的逐点 ℓ2 flow 误差而非任务成功率，作者自陈几何精度到操作性能的映射未量化；真机成功率方差极大（Drawer 90% 而 Book 20% / Microwave 30%）且需人工或 VLM 指定 task point；sim↔real zero-shot 明显退化，统一表示并未消除 sim-real gap。因此这条 scaling 曲线不构成对”scale 不能 alone 解决 physics”的反例——两者测的不是同一个量（WorldModel-Survey 路线 3 / Takeaway 38）

• 2026-09-18｜08-11 记下的”监督应经共享表示塑形 policy、预测的未来不该作为 policy 输入”从四篇收敛降级为按任务域分裂的争议：2609-OpenWAM 用同族 Wan2.2-5B 底座、同样的 joint flow matching co-train、同一组 mask 消融，在 RoboTwin2.0 上拿到相反方向——isolated 87.41、video-sees-action 87.63，而 action-sees-video 92.39、mutual 92.15，切断 world→action 通路掉约 5 pp（缺口 4.98 与 4.76 pp，原文一致性已核查），而 2608-SimWAM 在驾驶上测到的是 90.3≈90.2≈90.1。两篇的设定太接近，归因于实现差异不成立。最可能的解释变量是任务域：驾驶的相关状态基本由当前前视观测决定，接触密集的操作则必须条件于预测出的接触与物体动力学——这是假设，无人测过。可执行性是这条记录最有价值的部分：OpenWAM 以 Apache-2.0 释出覆盖每个消融臂的 46 个 checkpoint，把同一组 mask 消融跑到接触密集与非接触两组任务上即可判定。在此之前该结论必须带任务域限定引用。另需分清强弱两类证据——本条依据的是 source-verified 的近 5 pp 缺口，而该文另一条”最优 mask 在预训练前后改号”的 finding 建立在 +0.16/+0.70/+0.72 pp 三个单次运行差上、与其自身表间不调和量级（0.03–0.20 pp）同阶，两者不可混用（WorldModel-Survey 路线 4 / Takeaway 33）

• 2026-09-18｜world model 评测器本身成为被测对象，而目前唯一可审计的那个，其高一致性是用压低弃权率换来的：2608-HarnessEvalW 把评测写成 agentic harness（18 模型 × 330 case，3 轴 8 setting），与 5,000 条人类 A/B 的 Bradley–Terry 排序达 ρ=0.93（Intentional）/ 0.87（Physical），稳定性包络 0.33 对 WBench 的 1.61 BT 单位。但同视频同 judge 的对照里，Physical 准确率 31.9%→71.7% 的同时 draw 率从 52.2% 掉到 1.8%，增益主要来自决断子集的重归一而非判别力提升（该分解系按原文两数反推，论文未作）。这是 09-07 记下的 WorldSimProbe judge 修正的下一步：那次修的是 judge 的规则，这次把 judge 的可信度整个变成了实验变量。边界：人类对照只覆盖 8 个 setting 中的 2 个、18 个模型中的 9 个，未报标注人数与 IAA；Overall 是 330 case 的无权重算术平均，而无权重聚合正是 2608-WorldExam 明确拒绝的做法（WorldModel-Survey 路线 10d）

• 2026-09-18｜video world model 的条件化大量挂在表观相关而非物理转移上，且三类常规干预都修不动：2608-PAWBench 把对齐拆成 support 与 probability-mass 两层，50 场景 / K=50 rollout 下测到 31.2 的失准量级，匹配的 Monte Carlo 基线为 8.33（99% 分位 < 9.22），采样噪声解释被排除；失效呈方向性——causal underreact 与 non-causal overreact。更要紧的是干预侧：oracle prompt 只实现 37.6–58.1%，C2C 微调把 Coverage 从 71.7% 抬到 74.8%、Wan2.2 从 63.4 抬到 69.2，5 个 LoRA 无一同时改善两层。这把 08-02 记下的”生成保真 ⇒ 懂物理被同一模型内的指标背离反驳”从指标背离推进到干预抵抗：不只是现在不懂，而是提示、微调、适配器三条常规路子都没打动它。边界：判定链依赖 Gemini 3.5 Flash，正属其自证失准的那一族 VLM；81.3% 人类一致率只在 888/1,500 的明确子集上成立；均值只在过 readout gate 的场景上可比。与 2608-WorldSimProbe 同向，但二者均为库内单篇证据、非独立复现（WorldModel-Survey 路线 10c）

• 2026-09-18｜07-29 记下的 executable structure 这一支长成独立路线，两个方向相反的实例都已到位，但两篇验证的都不是各自论证的那个命题：2608-CodeAsWorld 走反解（video → MuJoCo scene.json + SDK，propose–instantiate–execute–render–verify，K=5），2609-ProgrammableWM 走正驱（canonical state → 确定性 state compiler → dense 控制图 → 冻结底座）。两边的验收都落空：前者在 QuantiPhy 159 题上 9B 得 55.4 对 Gemini-3.1 Flash 54.8（+0.6，无误差棒），而 discovery loop 的收益从未连到这个分数，主文的 discovery 分析用的还是 animation engine；后者 CombatStateBench Count 94.00 / State 98.00 远超基线，但 dense 像素对齐条件已把答案写进输入，测的是条件遵循而非 programmability，且全文零 ablation、缺同底座不挂 ControlNet 的对照行。分母须一并记住：State 只摊在 50 次死亡事件上（最小刻度 2 pp），“98 对 58” 实为 49 对 29 个事件。缺的实验对两篇是同一个——程序 vs latent vs pixel 的表示对照（WorldModel-Survey 路线 11）