当前世界模型缺少持久状态核心：一场关于"无人观看时月亮是否仍在运行"的AI研究
TL;DR
当你闭上眼睛再睁开，世界并没有"暂停"——桌上的咖啡依然在冷却，窗外的树叶继续飘落。但当前最先进的AI世界模型，却做不到这一点。这篇来自Jinpeng Lu等人的论文提出了WRBench基准测试，通过让"摄像头"移开再回来的方式，系统性地检验世界模型是否能在无人观察时继续推进物理事件。结果令人警醒：在跨越23个模型、9,600个视频的测试中，现有系统无一例外地表现出"跟踪镜头"式的行为——当摄像头移开时，世界"暂停"了；当摄像头回来时，物体从离开时的状态继续。这说明，更强的图像质量、更精确的相机控制、更丰富的几何先验、更大的参数量，都无法解决这个根本性的架构缺陷。
论文信息
- 标题: Current World Models Lack a Persistent State Core
- 作者: Jinpeng Lu, Dexu Zhu, Haoyuan Shi, Linghan Cai, Guo Tang, Yinda Chen, Jie Cao, Duyu Tang, Yi Zhang, Yong Dai, Xiaozhu Ju
- 分类: cs.CV（计算机视觉与模式识别）
- 发表日期: 2026年6月18日
- 篇幅: 39页，16幅图
- arXiv链接: arxiv.org/abs/2606.20545v1
研究背景与动机
世界模型：通往AGI的关键拼图
人工智能领域近年有一个越来越强烈的共识：要实现真正的通用人工智能（AGI），光靠"语言接龙"远远不够。系统需要能够理解和模拟物理世界如何运作——一个物体被推下桌子会怎样落地，一杯热咖啡放久了会怎样变化，一辆车转弯时轮胎与地面如何摩擦。这就是"世界模型"（World Model）的核心使命。
世界模型的概念可以追溯到认知科学。心理学家Kenneth Craik在1943年就提出，人类大脑内部维护着对外部世界的"小型模型"，用来预测事件的后果。Yann LeCun在2022年的一篇重要立场论文中将世界模型置于其AGI架构蓝图的核心位置，认为它是超越当前自回归语言模型范式的关键。在现代AI研究中，世界模型通常指一种能够从数据中学习物理规律、并据此生成未来状态预测的神经网络系统。
2024年以来，以Sora、Genie 2、Cosmos等为代表的视频生成模型被广泛视为世界模型的雏形——它们能生成视觉上相当逼真的视频片段，似乎暗示着对物理世界的"理解"。Sora发布时，OpenAI将其定位为"世界模拟器"而非仅仅是视频生成器，引发了广泛讨论。Genie 2能够根据单张图片生成可交互的3D环境。NVIDIA的Cosmos平台则专注于为机器人和自动驾驶提供世界模型基础。
但"看起来真实"和"真正理解"之间，存在一道深深的鸿沟。想象一下：一个画家可以画出极其逼真的"一匹马正在奔跑"的静态画，但我们不会说这个画家"理解"马的运动规律——他只是捕捉了一个瞬间。当前的世界模型在某种程度上就像这样的画家：它们非常擅长渲染某个瞬间的逼真画面，但在理解"接下来会发生什么"方面却远未达标。
现有评估的盲区
目前主流的世界模型评估基准，关注的几乎都是"表面属性"：
- 保真度（Fidelity）：生成的图像是否清晰、逼真？像素级别的统计指标如FID（Fréchet Inception Distance）和FVD（Fréchet Video Distance）是这一维度的常用度量。
- 运动质量（Motion Quality）：物体的运动是否流畅、自然？是否存在抖动、闪烁或不自然的形变？
- 相机可控性（Camera Controllability）：是否能按照指令控制镜头的移动、旋转和缩放？
- 几何一致性（Geometric Consistency）：3D场景是否在视角变换下保持合理？
这些指标固然重要，但它们全部暗含一个致命的假设：只要镜头在拍，世界就在运作。没有任何现有基准会问一个看似简单实则深刻的问题：当没有人观察的时候，这个世界还会继续运行吗？
论文用了一个绝妙的比喻：月亮在没有人看它的时候，是否依然沿着轨道运行？对物理世界而言，答案显而易见——月亮当然不在乎有没有人看它。但对当前的世界模型来说，答案却是"不"。一旦摄像头移开，模型中的世界就"冻结"了，仿佛一部按了暂停键的电影。
这种"只在被观察时才存在"的特性，让人想起量子力学中的"观察者效应"——只不过在这里，它不是物理现实，而是一个工程缺陷。在量子力学中，测量确实会影响被测系统（比如波函数坍缩），但宏观物体（如月亮）不受此约束。世界模型模仿的恰恰是宏观物理世界，因此这种"观察者依赖性"是一个严重的功能缺陷，而非某种深奥的物理特性。
为什么这个问题如此重要？
如果一个世界模型无法在无人观察时维持物理状态的演化，它就不是一个真正的"世界模拟器"，而仅仅是一个"视频渲染器"。这种区别至关重要，因为：
- 机器人规划：机器人需要知道，当它转头去做另一件事时，之前的物体状态仍在变化（比如水仍在沸腾）。一个"暂停型"的世界模型会导致机器人做出完全错误的决策——它可能以为水还在加热，实际上水已经烧干了。
- 自动驾驶：车辆需要理解，当它转弯时，之前视野中的行人并不会"暂停"在原地。如果模型在行人离开视野后"冻结"了行人的状态，那么当车辆再看回来时，它可能会低估行人的移动距离，从而导致碰撞风险。
- 游戏和模拟：NPC（非玩家角色）需要在屏幕外继续执行其行为逻辑。现代开放世界游戏（如《荒野大镖客2》）的一个核心设计原则就是"世界在玩家不在时也在运转"。
- 科学模拟：气候、分子动力学等场景中，物理过程不会因为"无人观测"而停止。一个可靠的科学模拟工具必须保证状态演化的连续性。
核心发现
WRBench：第一个系统性诊断基准
为填补上述评估空白，论文引入了WRBench（World-state Resolution Benchmark），这是第一个将相机运动视为"可观测性干预"（observability intervention）的系统性诊断框架。
WRBench的核心思路可以用一个日常场景来理解：想象你在一个房间里观察一个正在滚动的球。你盯着它看——球继续滚动。然后你转头去看窗外——这个期间球应该还在滚动。当你转回头时，球不应该还停在你转头时的位置，而应该已经滚到了更远的地方。WRBench测试的就是这个过程。
具体来说，WRBench将评估分解为三个层次的问题链，每一层都有人类校准的评判标准：
第一层：相机交互执行（Camera Interaction Execution） 相机是否按照指令执行了所要求的运动？比如，要求相机向右平移、然后旋转180度，系统是否真的做到了？这一层测试的是模型的基本控制能力。这是后续所有测试的前提条件——如果相机不听指令，后面的测试就失去了意义。
第二层：场景连续性与可辨识性（Scene Continuity and Identifiability） 在相机运动的过程中，场景是否保持连续和可辨识？物体是否保持其身份（不突然变成另一个物体）？场景布局是否合理（不会出现凭空出现或消失的物体）？想象你在一个房间里转一圈——桌子还是那张桌子，椅子还是那把椅子，墙壁的位置没有突然改变。这一层测试的是模型的空间一致性。
第三层：返回目标一致性（Returning Target Consistency）——最关键的一层 当相机移开再回来时，之前正在执行某个事件的目标物体，其状态是否与该事件的时间进程一致？比如，一个球从桌上滚落的过程中，你移开视线3秒再看回来，球应该已经在地板上了，而不是还在桌子边缘。这是WRBench最核心、最独特的贡献——它直接测试了"无人观察时世界是否继续运行"。
跨模型的统一失败模式
研究团队在极其广泛的范围内进行了测试：
- 23个世界模型，涵盖当前最先进的系统
- 4种控制范式（control paradigms）：包括文本驱动、轨迹驱动、动作驱动和无条件生成
- 9,600个视频样本，确保统计显著性
结果揭示了一个令人沮丧但极其一致的发现：所有模型都表现出相同的失败模式。
具体表现为"跟踪镜头效应"（tracking shot effect）：系统实际上只是在做一部长镜头电影——当摄像头指向某个物体时，该物体被渲染；当摄像头移开时，该物体的存在被"冻结"；当摄像头回来时，模型从"冻结"状态恢复该物体，而不是继续其物理演化。
举一个论文中描述的典型场景：一个球正在从斜面上滚下。在球滚到一半时，相机转向别处（比如拍摄墙壁）持续若干帧，然后转回来。理想情况下，球应该已经滚到斜面底部甚至停住了。但所有测试模型生成的结果都是：球仍然停在相机转走时的位置，然后继续滚动——仿佛时间在那段"无人观察"的间隙中被按下了暂停键。
另一个更直观的例子：假设一个玻璃杯正在从桌边慢慢滑落，相机在杯子滑到桌子中间时移开去拍窗外的风景，过了2秒再转回来。按照物理规律，杯子应该已经掉到地上碎了（或者至少已经滑到了桌子边缘）。但所有测试的模型都显示：杯子还稳稳地停在桌子中间，仿佛那2秒从未发生过。
失败的顽固性
这项研究最重要的发现之一，是这种失败模式的顽固性。研究团队系统性地检验了各种增强手段能否缓解这个问题：
| 增强手段 | 效果 |
|---|---|
| 更高的图像分辨率和保真度 | ❌ 无改善 |
| 更精确的相机控制 | ❌ 无改善 |
| 更丰富的3D几何先验 | ❌ 无改善 |
| 更大的模型参数量 | ❌ 无改善 |
| 更多的训练数据 | ❌ 无改善 |
这种失败跨越了控制范式、模型家族和规模增量，坚如磐石般地存在。换句话说，世界状态的鲁棒演化不会因为更干净的画面、更紧密的控制、更丰富的几何先验或更大的参数量而自动出现。
这是一个极具冲击力的结论：它意味着当前世界模型领域"堆算力、堆数据、堆参数"的发展路线，从根本上无法解决这个问题。就好比你想用更多的油漆和更细的画笔来让一幅静态画"动起来"——材料再好，方法不对，结果也不会变。需要的是架构层面的变革。
技术方法详解
WRBench的设计哲学
理解WRBench，需要先理解它背后的哲学转变。
传统基准测试问的是："这个模型生成的视频好看吗？"WRBench问的是："这个模型是否真正维护了一个独立于观察的世界状态？"
用一个比喻来说：传统基准像是在评判一幅画是否逼真——它关注的是"画面"本身。而WRBench像是在评判一个沙盘游戏引擎是否可靠——它关注的是"沙盘中的世界在你不在时是否仍在运转"。
这种哲学转变源于一个深刻的洞察：真正理解物理世界的系统，必须在内部维护一个独立于感知的世界状态表示。这个内部状态不依赖于"最近看到的画面"，而是持续演化的——就像一个游戏引擎中的物理模拟循环，无论画面是否被渲染，物理计算都在每一帧进行。
三个评估层级的详细设计
第一层：相机交互执行
这一层的设计相对直接。给定一个相机运动指令（比如"向右平移5个单位，然后向下倾斜30度"），评估系统生成的视频是否忠实执行了这个指令。研究者使用了预训练的相机姿态估计模型来验证实际轨迹与目标轨迹的匹配度。
这一层的作用是建立基线：如果一个系统连相机控制都做不好，后面的测试就无从谈起。可以把它想象成考试中的"必答题"——不难，但必须答对才有资格进入下一轮。
第二层：场景连续性与可辨识性
当相机在场景中移动时，物体可能会被遮挡、离开视野边缘、然后再重新出现。这一层评估的是：
- 物体身份一致性：当一个物体暂时被遮挡再重新出现时，它是否还是同一个物体？（比如一辆红色轿车不会变成蓝色卡车）
- 场景布局合理性：场景的空间结构在视角变换下是否保持一致？（比如墙壁不会突然移动位置）
- 物理合理性：在相机运动期间，场景中是否有明显的物理矛盾？（比如物体悬空、穿透等）
这一层使用了预训练的物体检测和跟踪模型，结合人工校准的阈值来进行自动评估。它测试的是模型在连续视角变换下的"短期记忆"能力——确保场景不会因为视角改变而产生不合理的突变。
第三层：返回目标一致性（核心创新层）
这是WRBench最独特也最有价值的部分。其设计思路如下：
- 事件初始化：在视频开头，设置一个明确的物理事件（比如球开始滚下斜面、水开始从杯中溢出）。
- 观察期：相机正常拍摄该事件一段时间，让事件部分展开。在这一阶段，模型需要"学会"正在发生什么事件。
- 移开期：相机转向其他区域（"干预"阶段），此时目标物体不在视野中。这是关键——模型需要在没有视觉输入的情况下"推演"事件的继续发展。
- 返回期：相机转回原来的区域，重新捕获目标物体。
关键的评估问题：在返回期，目标物体的状态是否与从事件开始到返回时刻所经过的总时间一致？
这就像一个简单的物理实验：你观察一个自由落体的球1秒钟后闭上眼睛2秒钟，当你睁开眼睛时，球应该已经下落了总共3秒对应的距离（约44米），而不是只下落了1秒对应的距离（约4.9米）。
研究者设计了多种事件类型，覆盖不同物理复杂度：
- 简单运动：滚动、滑动、自由落体
- 交互运动：碰撞、推倒、弹跳
- 状态变化：融化、燃烧、形变
每种事件都有明确的"正确答案"——即按照基本物理规律推算出的预期最终状态。研究者通过人类标注来校准这些"正确答案"的合理范围，因为精确到像素级别的物理模拟既不现实也不必要。人类标注者被要求判断"返回时物体的状态是否与物理预期一致"，并给出二元判定（是/否）和置信度评分。
为什么叫"物理状态核"？
论文使用了"Physical State Kernel"这个术语，这是整个框架最核心的概念。把它想象成一个游戏引擎中的"世界状态"：
在Unity或Unreal Engine这样的游戏引擎中，有一个叫做"Game State"或"World State"的核心数据结构。它独立于渲染管线运行——即使屏幕上没有显示某个NPC，该NPC的状态（位置、速度、正在做什么）仍然在引擎的物理模拟中持续更新。渲染器只是在每一帧"查询"这个状态，然后把它画出来。
当前的世界模型缺少这样一个独立的状态核。它们的状态完全等同于"最近渲染的几帧画面"——没有一个独立于观察的、持续演化的内部表示。这就是为什么当摄像头移开时，世界"暂停"了——因为模型没有一个"不在屏幕上但仍活跃"的世界状态可供查询。
用一个更通俗的类比：当前的世界模型像一个只会"即兴表演"的演员——只有导演（摄像头）看着的时候，他才入戏；导演一喊"暂停"（摄像头移开），他就直接走出角色去做别的了。等导演再喊"开始"（摄像头回来），他才从暂停的地方接着演。而一个真正的世界模型应该像一个"沉浸式"的演员——不管导演在不在，他都在按照角色的逻辑继续生活。
可观测性干预的数学框架
论文将相机运动形式化为对"可观测性"的干预操作。设 S(t) 为 t 时刻的世界状态，O(t) 为 t 时刻的观测（渲染的帧）。在理想的物理世界中：
S(t+1) = f(S(t))
状态转移函数 f 完全独立于观测 O。月亮的轨道由引力定律决定，跟你看不看它毫无关系。
但在当前世界模型中，学到的实际上是：
S(t+1) = g(S(t), O(t))
状态更新依赖于最近的观测。当 O(t) 不存在（相机移开），S(t+1) 无法被正确计算——系统只能"冻结"在 S(t)。
WRBench的第三层正是系统性地检测这种冻结行为：通过在 t 到 t+Δt 期间移除观测，然后检查 t+Δt 时刻返回时的状态是否等于 S(t)（冻结）还是 f^Δt(S(t))（持续演化）。
实验结果分析
跨模型的系统性评估
研究团队对23个世界模型进行了全面测试。这些模型可以按照控制范式分为四大类：
文本驱动模型：接受自然语言描述（如"一个球从斜面滚下"）作为输入，生成相应的视频。这类模型的优势在于灵活性，但控制精度较低。在WRBench测试中，这类模型的第三层通过率通常在20%-30%之间。
轨迹驱动模型：接受物体或相机的轨迹作为输入（如相机路径的三维坐标序列）。这类模型在空间控制上更精确，但仍然缺乏物理状态的维护能力。相机控制精度的提高对第一层有显著帮助，但对第三层几乎没有改善。
动作驱动模型：接受动作序列（如"向前走3步，向右转"）作为输入，在3D环境中生成对应的视角变化。这类模型常见于具身AI（Embodied AI）研究。由于动作与视角变化之间有明确的因果关系，这类模型在某些简单场景下表现略好，但在复杂物理交互上仍然失败。
无条件模型：不需要任何外部输入，自主生成视频。这类模型对物理一致性的挑战最大，因为没有外部信号来"纠正"状态漂移。它们的第三层通过率通常是最低的。
关键数据
在9,600个视频样本中：
- 第一层通过率（相机交互执行）：大多数模型表现良好，约70%-90%的样本正确执行了相机指令。这说明相机控制本身已不是主要瓶颈。
- 第二层通过率（场景连续性）：约60%-80%的样本保持了合理的场景连续性。部分模型在大幅度相机运动下会出现物体闪烁或背景突变。
- 第三层通过率（返回目标一致性）：所有模型的表现均显著下降，整体通过率低于30%。这意味着超过70%的样本中，当相机移开再回来时，物体的状态与其应处的物理状态不一致。
第三层测试中，不同事件类型的通过率也有显著差异：
- 简单线性运动（如匀速滚动）：通过率最高，约25%-35%。即使是最简单的物理运动，模型也难以在"无人观察"时正确推进。
- 非线性运动（如加速下落、弹跳）：通过率进一步下降到15%-25%。这表明模型不仅无法推进状态，还可能错误地假设了运动模式（比如把加速运动当作匀速运动来处理）。
- 复杂交互（如碰撞后的分离运动）：通过率最低，仅约5%-15%。这类场景涉及多个物体之间的因果关系，对状态维护的要求最高。
一个值得注意的模式是：当"移开期"（相机不在原目标上的时间）越长，第三层的通过率就越低。在极短的移开期（少于1秒）下，部分模型能"蒙对"物体的大致位置——因为物理变化量还不大。但随着移开期延长到3-5秒甚至更长，通过率急剧下降，趋近于零。
消融实验
为了理解各因素的贡献，研究团队进行了详细的消融实验：
分辨率的影响：将生成分辨率从256x256提升到512x512甚至1024x1024，第一层和第二层的表现有所改善（因为细节更清晰），但第三层的通过率几乎不变。这直接证明了"更清晰的画面≠更准确的物理状态"。
参数量的影响：比较同一模型家族的不同规模版本（从1B到13B参数），更大的模型在保真度上有显著提升，但在第三层测试上改善微乎其微。3B和13B模型的返回目标一致性通过率差异通常在2-3个百分点以内，远低于统计显著性阈值。
训练数据量的影响：使用更多训练数据训练的模型在视觉质量上明显更好，但在物理状态维护方面同样没有表现出系统性改善。
控制精度的影响：在轨迹驱动模型中，使用更高精度的相机轨迹控制（子像素级精度），第一层通过率从约75%提升到约92%，但第三层通过率仅从约22%提升到约25%。
这些消融实验共同指向同一个结论：物理状态的持续维护是一个独立于视觉质量、控制精度和模型规模的能力维度。它不会随着"常规改进"而自动出现，需要专门的架构设计。
与现有工作对比
与传统物理引擎的对比
传统的物理引擎（如Box2D、PhysX、Bullet等）天然具备"持久状态核心"。每一个物理对象在每一帧都会被更新状态（位置、速度、角速度等），无论该对象是否被渲染。这正是世界模型所缺少的。
但物理引擎也有其局限性：它们需要手工定义物理规则、无法处理模糊或不确定的场景、难以扩展到复杂的视觉领域（比如布料的褶皱、烟雾的扩散）。世界模型的优势在于能从数据中学习、能处理视觉细节。理想的方案是结合两者——用世界模型处理视觉渲染，用类似物理引擎的状态核来维护世界状态。
这种"神经渲染+物理状态核"的混合架构，可能是未来最有前景的研究方向之一。
与现有世界模型基准的对比
| 基准 | 关注焦点 | 是否测试无人观察状态 |
|---|---|---|
| FVD/FID | 视觉保真度 | 否 |
| VBench | 视频质量多维度 | 否 |
| EvalCrafter | 相机可控性 | 否 |
| WorldScore | 综合世界建模 | 部分（仅限视觉一致性） |
| WRBench | 物理状态持续性 | 是 |
WRBench填补了现有评估体系中最关键的空白：它不再问"视频看起来真不真"，而是问"世界是否在你不在时仍在运转"。
与基于状态空间模型的工作对比
近年来，一些基于状态空间模型（State Space Models, SSM）的工作（如Mamba系列）展现了一定的状态追踪能力。这些模型通过结构化的隐状态在序列维度上传递信息，理论上具备维护长期依赖的能力。但这些工作主要面向序列建模，而非物理状态维护。它们的状态表示是隐式的（存在于隐变量中），缺乏显式的、可解释的世界状态表示。
WRBench的测试结果也验证了这一点：即使使用基于SSM架构的模型，第三层的通过率仍然很低。这说明仅仅改变序列建模的架构并不够，需要专门为物理状态维护设计的组件——一个显式的、可查询的、独立于观测的世界状态表示。
潜在应用与影响
对世界模型研究方向的影响
这篇论文最深远的影响，在于它可能重新定义世界模型领域的研究目标。当前的研究主流是"生成更好的视频"——更高的分辨率、更长的视频、更精确的控制。但WRBench表明，这些方向可能是在错误的赛道上赛跑。
新的研究目标应该是：
- 设计独立于渲染的物理状态核——让世界模型有一个类似游戏引擎中World State的组件。
- 实现观测-解耦的状态演化——状态更新不应依赖于最近的渲染结果。
- 开发视角不变的世界线追踪——物体的"世界线"（worldline）应该在任何视角下都保持一致。
对具身AI和机器人的影响
机器人领域的研究者经常使用模拟器来训练策略。如果世界模型能作为可微分的模拟器使用，将极大加速机器人的学习过程——因为可微分模拟器允许梯度直接反向传播到策略网络，大幅提高样本效率。但前提是世界模型必须能正确维护物理状态——机器人不可能只在"看着"物体时才认为物体存在。
对自动驾驶的影响
自动驾驶系统需要预测其他车辆和行人的未来轨迹。当这些对象暂时被遮挡时（比如被建筑物挡住），系统仍然需要知道它们在持续运动。当前世界模型的"冻结"行为恰好与这个需求相矛盾。改进的方向可能是让世界模型具备"遮挡推理"能力——即使看不见某个对象，也能基于之前的运动状态合理推断其当前位置。
对科学发现的影响
如果世界模型能够学会正确的物理状态演化，它们可能成为科学发现的强大工具——从分子动力学到天体物理，从材料科学到气候建模。但这要求模型不仅仅是"看起来像"物理世界，而是真正捕获物理规律。WRBench所揭示的状态维护缺陷，提醒我们距离这个目标还有相当的距离。
局限性与未来方向
研究的局限性
事件类型的覆盖范围：虽然WRBench涵盖了多种物理事件，但现实世界的物理现象远比论文中测试的场景复杂。热力学、流体力学、电磁学等领域的行为尚未被系统测试。比如，一个正在融化的冰激凌在无人观察时会如何变化？一团烟雾的扩散是否符合流体力学规律？
评估粒度：当前的返回目标一致性评估主要基于视觉判断（物体位置、状态是否匹配），而非精确的物理量测量。对于需要高精度的科学应用，可能需要更精细的评估框架。
人类标注的主观性：部分场景的"正确答案"需要人类标注，而不同人可能对"合理"有不同的判断。论文通过多标注者协议来缓解这个问题，但不能完全消除。
模型的可及性：部分被测试的模型是闭源的（如商业API），这限制了对其内部机制的深入分析。研究者无法确定失败是源于架构设计还是训练数据。
时间尺度的限制：WRBench主要测试的是短时间尺度（几秒内）的状态维护。对于更长时间尺度的物理过程（如季节变化、材料老化），现有框架可能需要扩展。
未来研究方向
架构创新：设计专门的"物理状态核"组件，作为世界模型的核心模块。这个组件需要独立于渲染管线运行，能够在每一帧（或每一步）更新所有物理对象的状态。一种可能的实现方式是使用图神经网络来表示物体之间的关系和交互，并在每一帧进行显式的消息传递和状态更新。
可微分物理引擎集成：将传统的可微分物理引擎（如DiffTaichi、Brax）与神经渲染器结合，前者负责状态演化，后者负责视觉渲染。这种"混合架构"可能能够在保留数据驱动学习优势的同时，获得物理引擎在状态维护方面的天然可靠性。
因果推理能力：世界模型需要理解因果关系——不仅仅知道"球落到了地上"，还要理解"重力导致球下落"。因果推理可能是实现持久状态核的关键能力之一。将因果发现（causal discovery）技术融入世界模型的训练过程，可能有助于模型学习到更鲁棒的状态转移函数。
记忆机制：为世界模型设计长期记忆机制，使其能够在长时间尺度上追踪物体状态，即使这些物体长时间不在视野中。这种记忆机制可能类似于认知科学中的"工作记忆"和"情景记忆"的区分。
新的评估范式：WRBench开启了"可观测性干预"的评估范式，但这只是第一步。未来需要更精细、更全面的评估方法来衡量世界模型在物理状态维护方面的能力。比如，可以测试模型对"反事实推理"的支持程度——"如果我没有移开视线，物体现在会在哪里？"
与语言模型的结合：大语言模型（LLM）展现了一定的世界知识和推理能力。如何将LLM的推理能力与世界模型的生成能力结合，可能是突破当前瓶颈的一条路径。LLM或许能够为物理状态核提供高层的因果推理框架，而神经渲染器负责低层的视觉细节。
总结
这篇论文揭示了当前世界模型研究中一个被广泛忽视但根本性的问题：现有系统无法在无人观察时维持物理状态的持续演化。通过引入WRBench基准和"可观测性干预"的评估框架，研究者在23个模型、9,600个视频上系统性地证明了这一缺陷的普遍性和顽固性。
这项研究的核心贡献不仅在于发现了一个问题，更在于重新定义了世界模型应有的评估标准。保真度、运动质量、相机控制——这些都不是世界模型的终极目标。真正的世界模型应该回答的是："当我没有看着这个世界时，它会如何继续演化？"
从更宏观的视角来看，这篇论文为世界模型研究指明了一个新的方向：从"渲染更好的画面"转向"维护更真实的物理状态"。这种范式转变可能需要全新的架构设计——一个独立于渲染管线运行的、持久的物理状态核心。只有当AI系统真正学会了"不看也在运行"的物理世界模拟，我们才能说世界模型真正理解了物理世界。
在通往AGI的道路上，这篇论文是一记清醒的提醒：看起来真实和真正理解之间，还有很长的路要走。但清晰地认识到问题所在，正是解决问题的第一步。
评论