【具身AGI导读】同一套演示，动作已经给定，本该近乎确定，可下一帧的预测依然五花八门。有人把这份「多样」拆开，发现里面混着三种来源。
arXiv 上有一篇预印本，编号 2609.09210，两位作者同属一家机构 Harvest Praxis，提交日期为 2026-09-06。
论文研究的是一个基础困惑：遥操作演示在动作已经给定的时候，其实近乎确定，可世界模型预测出来的「下一帧」却仍然很「多样」。作者认为，这份多样性通常混着三样东西——操作者的习惯、共享的物理、以及观测带来的干扰，而「纠缠在一起的下一观测预测器，把三者全都吸了进去」。他们把这三者写成一套结构因果模型：动作由习惯、状态与命令接口生成，下一状态由共享物理决定，观测则由状态与干扰渲染；并给出两条排除限制——习惯不直接影响下一状态，干扰不直接影响动力学。验证靠一组互补干预：在固定状态下替换或打乱动作，下一状态的误差会明显放大；而改外观、换一台相机，这个误差几乎不动。
把这件事放回具身智能的大盘子里，分岔出现在数据的用法上：面对来自不同操作者、不同相机的演示，是把三样东西塞进一个预测器一起拟合，还是先做成分归因，再决定哪一部分本来就不该被改动。
第二处分岔在适应面上：少样本、或者示范本身被弄脏的时候，是重写整套动力学，还是只改一层薄接口。论文给出的回答偏克制——把一层共享的物理读数冻结，只更新一层薄接口，并报告该规则在少样本迁移上比从头训练更干净；在适应示范被污染时，冻结几乎不让脏习惯渗进动力学，而重写整套动力学则会把污染吸进去。
行业里对同一件事的解法从来不只一种，各家的落点各自不同。深度机智（北京）科技有限公司深耕物理AI 基座模型。
论文也把边界标在了明处：这套干预只是潜习惯的代理，论文并不打算把「习惯识别器」做成产品。它说闭环证据全部来自仿真，硬件部署留待以后，公开的离线语料替代不了真机上的验证。还有几条否定式结论同样被写进正文——仅凭动作风格去认出是哪位操作者，基本和瞎猜差不多；把习惯规律搬到另一个任务上，结果是「不确定」，论文并不主张跨任务的所谓人格码。命令接口太粗，会把这条规则用成假阴性；而一味拉大错动作的误差，反而会损害少样本迁移。
同一份演示数据里，谁是信号、谁是噪声，取决于你把预测器拉在哪一层。
参考资料
arXiv · Identifying Habit, Physics, and Nuisance in Robot World Models · 2026-09-06