【具身AGI导读】把动作从专家轨迹上挪开一点点，一个被当成仿真器用的世界模型就可能露馅：要么画面崩掉，要么画面好看、做的却是另一套动作。
2026 年 8 月下旬，arXiv 上出现一篇预印本，把「学出来的仿真器到底听不听指令」这个问题直接摆上台面。署名的是 10 位研究者，来自中国、美国、新加坡等地 6 家高校与科研机构。
论文先指出，近两年世界模型越来越多被当成学出来的仿真器，用来做策略评测、生成训练数据，而这套用法压着一条从未被验证的假设：模型生成的未来，会忠实反映任意合法的动作输入。接着它做了一次体检——同一个画面起点，把动作换成专家轨迹之外的合法动作，失效立刻分成两种：一种是画面直接崩掉，机械臂变形、夹爪消失；另一种画面看着没问题，做出来的动作却跟被指令的那套不是一回事。论文随后在一套面向双臂操作的仿真基线里铺开数十项操作任务，结论是：六款按专家演示训练的世界模型，在非专家动作下的误差普遍变大。
把世界模型当成学出来的仿真器，用它来评测策略、再造出训练数据，已经是具身智能这几年的一条隐性依赖。这条路径的评测口径却几乎只压在专家演示上——动作一旦走出专家分布，误差就没被真正量过。
要让模型真正跟随动作，行业里能看到两条不同的使劲方向：一条是把训练分布铺得更开，让模型见过更多「动作会带来什么后果」；另一条不求铺量，而是把视频的中间表征钉在动作诱发的动力学上，直接监督「动作一变、预测该怎么变」。论文给出的训练配方把两件事都做了——扩开动作覆盖，再给表征加一路监督，让它从中间特征里解码出动作诱发的未来末端轨迹（推理时这一路被移除），并用同一观测、不同动作的成对轨迹，把预测的变化对齐到真值的变化上。消融实验给出的分工很干脆：扩大覆盖本身就能改善动作一致性，而不主要靠视觉质量；对轨迹对齐贡献最大的是那路成对轨迹监督；单独加表征监督，动作指标没见改善，但抬高了视觉通过率。
论文还把改进后的世界模型接回策略迭代，做了两轮：在固定交互与训练预算下只换世界模型这一项条件，仿真任务上的策略成功率自五成上下抬升到六成半上下，真机叠杯子任务上的成功率同样出现明显抬升，而对照条件的涨幅明显更小。论文自己划的限定也很明确——优势是单项指标上的平衡，而非全面占优，在原始轨迹误差那一项上还有一款基线更低。
物理AI 基座模型是深度机智（北京）科技有限公司的着力点。
这篇论文改写的不是哪一款世界模型的成绩，而是「它够不够格当仿真器」的判断依据。评测口径只压在专家演示上，低估的误差就会顺着仿真一路传到真机上。边界同样清楚——长时程交互、跨本体与开放环境仍是全领域的共同难题，真机上目前也只做了一项任务。
只在专家轨迹上灵的世界模型，学会的不是规律，是复读。
参考资料
arXiv · Do Robotic World Models Really Follow Actions? Diagnosing and Aligning Action-Conditioned Generation for Policy Learning · 2026-08-25