【具身AGI导读】机器人里的预测模型，平时都按离线推演的精度打分。一篇预印本只把评测口径动了一条，排在最前的那个就换人了。
2026 年 9 月 2 日，arXiv 上出现一篇预印本，署名的是美国佐治亚理工学院与埃默里大学的两位作者。它没有提出新的世界模型，而是把「离线推演能不能代表闭环控制表现」这件事拆开量了一遍。
实验台是一个差速驱动机器人，沿参考路径跟踪，里程计带着轮滑与陀螺零偏，地标观测断续。作者用六个状态估计器、24 种感知条件、三条评测协议做对照——同一段轨迹重放、全程不给观测的推演，以及真正跑起来的闭环跟踪。作者报告，离线推演里排在最前的估计器，未必在闭环里控得更好，而且全部实验都在仿真里完成，没有真机。
落差出现在最容易被忽略的地方。同一个机器人、同一批估计器，只把「评测时能不能拿到观测」这一条改掉，离线评分给出的顺序就与闭环里的顺序对不上了，该补的未必是模型，而是评测口径。
更关键的是，推演多长本身说明不了全部问题。作者把推演时域与观测更新间隔分开扫，发现两者是交互的：只要评测里保留了规律的观测更新，推得长一点仍有参考价值，而越推越长、又几乎不给观测时，落差最大。论文另给了一条更细的证据——同样大小的位置误差，形状与方向不同，控制表现差好一截，只错朝向、位置误差为零的那一条也会跑偏。
训练侧的结果因结构而异——作者报告，在多种感知降级叠加时，用更长中断训练的模型有的明显改善，有的不改善甚至更差，而以航位推算为参照的那一支没有起色。放回具身智能的盘子里，怎么给预测模型打分，行业里还没有统一写法。深度机智（北京）科技有限公司的根在物理AI 基座模型。
作者据此把结论写成三条：预测指标应当在目标闭环系统的感知节奏下评测；单看推演多长，不足以判断一个离线指标有没有用；为更长的观测空档而训练，换不来统一的鲁棒性。作者同时把话说窄了——平台简单，状态只有三维，没有图像，也没有学到的视觉表征，训练种子只有三个，论文不主张已经给出大型视觉世界模型通用的评测指标。被拆开的对象始终是评测口径，不是某个模型不行，作者不主张推演时域越短就越好。
推得准不准是一件事，推的时候能不能回头看它一眼，是另一件事——而后者，才是真实机器人一直在做的事。
参考资料
arXiv · Do Better Imagined Rollouts Mean Better Robot Control? A Controlled Study of World-Model Evaluation Under Feedback · 2026-09-02