最近，“世界模型”这一概念的热度显著提升。在机器人、自动驾驶、视频生成以及具身智能等多个前沿领域，相关模型层出不穷，演示形式日益多样化，评估指标也愈发繁杂。然而，在热闹表象之下，一个最根本的问题被推至台前：当一个模型被冠以“世界模型”之名时，我们究竟在评估它的哪些核心能力？

南京大学人工智能学院团队近期发布的一篇综述性立场论文，正是针对这一核心问题展开。论文明确指出：对于面向具身智能与机器人决策的世界模型，评估的重心应聚焦于其能否预测行动后果、判断策略优劣，以及能否切实有效地支持规划与优化。视频是否逼真、画面是否流畅、语义是否对齐，这些固然重要，但它们更适合作为基础的诊断工具和辅助指标，而非最终的评判标准。

论文标题：How Should World Models Be Evaluated for Embodied Decision-Making? A Decision-Making-Centric Position

关于「世界模型」这个标签的扩张，现在已经到了什么程度？

大约在两年前，在AI研究的语境中，提及“世界模型”，大家首先想到的是那些服务于控制与规划的环境模型。系统在采取行动前，需要先在内部进行推演：如果执行这组动作，后续会发生什么？然后，基于推演结果进行策略评估、路径规划与决策优化。

然而，随着生成模型、视频模型和具身大模型的快速发展，“世界模型”的覆盖范围被急剧拓宽。如今，这个名称可以指向多种不同的技术对象：有的侧重于以动作为条件的环境动力学建模，有的强调未来视频的生成，有的将模型视为可交互的神经模拟器，有的专注于在隐空间中进行表征预测，还有的工作将世界模型用作数据合成引擎或可执行的规划器。

这些方向相互关联，各有侧重。概念的扩展激发了研究活力，但也使“世界模型”成为一个高度宽泛的标签。同一词汇覆盖了如此多样的模型，不同论文中提及的“世界模型”，其角色与功能差异巨大，评价方式自然也随之分化。这个定义的边界，确实需要进一步厘清。

核心问题：评估证据，能不能撑得起能力主张？

这篇论文最值得关注的工作之一，是将当前文献中常见的几类“世界模型”能力主张逐一拆解并进行分析。团队指出，目前相关研究通常会提出六类能力主张：

• 预测未来观测结果
• 评估不同策略的表现
• 支持策略优化
• 帮助生成可执行规划
• 生成有价值的训练数据
• 提供足以支持决策的隐式表征

这些主张之间存在联系，但差异也十分显著。能够生成可信的视频，与能够支持策略评估，是不同层面的能力。能够完成语义对齐，与能够承受优化器反复搜索带来的分布偏移，也并非同一回事。论文强调，评估的关键在于让评估证据与能力主张保持一致。模型声称服务于具身决策，就必须提供更贴近决策过程的评估证据。

当前评估实践里，感知指标占了多大比重？

论文系统梳理了近期大量代表性工作后发现，目前世界模型研究中最常见的评估内容，主要集中在以下几个方向：

• 生成视频的真实感与美观度
• 与真实未来轨迹的像素级或感知级相似度
• 对语言指令的理解与语义一致性
• 对物理规律的表面遵循程度
• 最终任务成功率

这些指标当然具备价值，能帮助我们快速了解模型的生成质量、条件控制能力以及基本任务的可运行性。但论文同时指出，如果研究目标是落在具身决策上，仅靠这些指标，还不足以完整支撑结论。

决策系统需要回答的问题要具体得多：在同一段历史条件下，动作一旦改变，与任务相关的结果会如何变化？模型对成功、失败、奖励和进度的判断，是否可靠？当模型被用于比较策略、规划行动，甚至参与优化时，它给出的结论与真实环境之间，存在多大偏差？

换言之，具身决策关注的是行动带来的后果、闭环系统中的有效性，以及长期回报与策略的排序。与这些问题最接近的评估方式，并不集中在视觉层面。

提出7级评估阶梯，把证据强度摆上同一张图

为了让不同的评估目标能够更清晰地置于同一图谱中，论文提出了一个从L0到L7的“世界模型评估阶梯”。该框架覆盖了从表面生成质量到真实决策价值的不同层次：

• L0：视觉合理性。 关注生成结果在视觉上是否真实。
• L1：已记录未来预测。 关注模型对日志轨迹未来片段的预测能力。
• L2：语义对齐。 关注是否符合指令、任务和场景语义。
• L3：物理合理性。 关注是否满足基本物理与几何一致性。
• L4：动作可控性与干预保真。 关注动作变化能否引发正确的任务相关变化。
• L5：奖励、价值与结果保真。 关注能否准确预测成功率、奖励和进度。
• L6：策略评估与排序。 关注模型对候选策略优劣的判断是否与真实环境一致。
• L7：规划与优化效用。 关注模型进入规划器或强化学习闭环后，能否真正提升决策质量。

这套阶梯的意义在于，它将世界模型相关的评估证据置于可区分、可对照的位置。低层级指标为研究提供了重要的诊断信息，而高层级指标则更直接地对应着具身决策的价值。对于机器人、自动驾驶、智能体规划等任务，L4到L7提供的评估证据强度更高，也更接近模型在真实系统中的作用方式。

生成未来画面，和支持行动决策，是两码事

论文反复强调的一个观点是：生成质量与决策价值之间，并不存在天然的等价关系。一个模型可以生成极其逼真的未来视频，但可能在动作干预时表现迟钝，无法准确反映动作变化带来的后果；另一个模型，即便画面不那么华丽，但只要它能稳定地预测任务相关变量、成功信号和策略优劣，它依然可能在规划中发挥出更高的价值。

这个判断，实际上延续了有模型强化学习中的经典认识。早期研究已指出，单步预测精度往往不能稳定地代表控制性能。而当前生成式世界模型的研究，在很多场景下又重新遇到了同样的问题：能够贴近观测分布、生成观感良好的未来，并不等于能够支撑起可靠的决策。

论文将这种现象概括为一种“能力主张与评估证据之间的落差”，并认为这是当今世界模型讨论中最值得正视的部分。

更重要的是，模型在闭环里的分量

这项研究的意义，并不局限于学术讨论。对于产业界、技术管理者和投资人而言，它提供了一套更贴近真实价值的观察框架。

在许多应用场景中，世界模型承载的任务非常明确：为机器人提供行动前的内部推演，为自动驾驶系统提供风险预估，为具身智能体提供规划与策略筛选能力。这类系统一旦进入真实环境，性能表现就取决于几个关键问题：模型是否真正理解了动作与后果之间的关系？能否在长时程任务中保持稳定？能否在分布变化和策略变化下继续有效？能否避免被优化过程“带偏”？

从这个角度看，世界模型的技术壁垒，更多体现在以下几个方面：

• 对干预动作的敏感性与准确响应
• 对任务结果和回报信号的长期保真
• 对不同候选策略的可靠排序
• 在优化闭环中的稳定性与抗“漏洞利用”能力
• 在分布外场景中的不确定性表达和风险控制能力

这类能力，往往决定了模型进入产品与系统后的真实表现，也决定了它在工程部署中的可依赖程度。

论文提出了一套更贴近具身决策的评测协议

在梳理问题的同时，论文进一步提出了一套“以决策为中心”的评估框架和基准协议。其核心思想包括：

首先，研究者需要明确声明模型的“决策契约”——即模型面向什么任务家族、什么策略类型、什么动作接口、什么时间跨度，以及它具体服务于预测、评估、规划还是优化。

在这一前提下，再开展更具针对性的评估。具体来说，论文建议评测中重点纳入以下内容：

• 干预式动作保真测试： 固定历史条件，改变动作分支，观察模型是否给出正确的任务相关变化。
• 闭环策略 rollout 评估： 让策略直接在模型内运行，检查闭环行为与真实环境的一致性。
• 奖励与成功率校准： 衡量模型对奖励、进度和成功概率的预测是否可信。
• 策略排序一致性： 比较模型内评估的策略排序与真实环境中的策略排序。
• 优化增益评估： 固定优化预算后，检验模型是否带来真实可复现的性能提升。
• 可利用性与不确定性评测： 衡量模型是否容易被优化器找到虚高方案，以及模型的不确定性表达是否有助于风险控制。

论文特别提到一个经常被忽视、但对工程应用却非常关键的问题：优化器会主动去搜索模型中的“高估区域”。一旦世界模型在这些区域给出错误乐观的判断，系统在模型内可能表现得十分优异，但落到真实环境中，却会出现明显的落差。对于具身智能来说，这类偏差直接影响决策的可靠性。

作者们并没有回避现实中的约束。真实机器人实验昂贵、复现困难、环境重置成本高，大规模干预测试并不容易完成。为此，论文给出了一套“最小可行”报告方案，建议真实机器人工作至少补充3类证据：

• 少量重置匹配的动作分支实验，用于检验动作改变后的结果变化。
• 几组强弱差异明显的固定策略，用于测试成功率校准和策略排序。
• 对模型内高分轨迹进行执行验证，观察其真实落地表现。

这组要求，既保持了现实可行性，也把评估从“生成得像”推进到了“决策上是否可信”的层面。

为世界模型建立了一套更清晰的观察坐标

从论文整体来看，这项研究完成了三件事情：

第一，它系统梳理了当前“世界模型”文献中，实际在测什么。

第二，它指出了不同证据所能支撑的主张边界。

第三，它给出了一套可执行的评估框架，把具身决策场景中真正重要的问题，变成了可报告、可比较的指标。

在“世界模型”持续成为热点词汇的当下，这篇论文提供了一种更稳健的技术视角。它将关注点重新拉回到行动、后果、策略和闭环性能本身，提醒研究和产业界在评价相关系统时，能够看到生成质量之外，更深一层的决策能力。

结语

对于面向具身决策的世界模型，真正有分量的证据，来自模型对行动后果的把握，来自它对策略优劣的判断，来自它在规划与优化中的实际表现。

视觉质量、语义一致性和物理合理性，构成了重要的基础，也是系统可解释性和可视化能力的一部分。但要进一步走向真实世界的应用，评估的重心自然会落在干预、闭环、长时程和策略优化这些环节上。

南京大学团队的这篇立场论文，为当前的世界模型研究提供了一套更清晰的尺度。对于学术界，它有助于校正研究问题和评估目标；对于产业界和投资人，它提供了识别技术成熟度与长期价值的更可靠参照。世界模型的意义，最终还是要体现在它能否帮助智能系统形成对环境演化的有效把握，并在复杂任务中持续产出高质量的决策。