近期围绕「世界模型」的讨论持续升温。机器人、自动驾驶、视频生成、具身智能等多个方向都在频繁使用这一概念相关系统不断出现演示形式日益丰富评价指标也越来越多。伴随这一趋势一个基础问题变得格外重要当一个模型被称为「世界模型」时人们究竟在评价什么南京大学人工智能学院团队近日发布的综述性立场论文围绕这一问题给出系统回答。论文指出面向具身智能和机器人决策的世界模型评价重点应落在其对行动后果的预测能力、对策略优劣的判断能力以及对规划和优化的实际支持能力上。视频是否逼真、画面是否流畅、语义是否贴合指令这些维度依然重要但它们更适合作为基础诊断和辅助评估的指标。论文标题How Should World Models Be Evaluated for Embodied Decision-Making? A Decision-Making-Centric Position论文地址https://arxiv.org/abs/2606.15032「世界模型」覆盖对象逐渐多样化仅在两年前人工智能研究的语境中世界模型还主要指面向控制与规划的环境模型。系统需要在行动前进行内部推演估计「如果执行这组动作接下来会发生什么」进而服务于策略评估、路径规划和决策优化。近期随着生成模型、视频模型和具身大模型的发展「世界模型」的覆盖范围快速扩大。今天这一名称可以指向多种不同的技术对象有的侧重以动作为条件的环境动力学建模有的强调未来视频生成有的将模型作为可交互神经模拟器使用有的专注于隐空间中的表征预测还有一些工作则把世界模型作为数据合成引擎或可执行规划器。这些方向彼此相关也各自承担不同任务。概念的扩展带来了研究活力也让「世界模型」逐渐成为一个高度宽泛的标签。同一个词开始覆盖多类模型不同论文中的「世界模型」承担的角色和功能差异显著评价方式也随之分化。对「世界模型」定义的边界亟需澄清。核心问题「世界模型」的评估证据如何支撑其能力主张这篇论文最重要的工作之一在于把当前文献中常见的几类「世界模型」能力主张拆开来看。团队指出当前相关研究通常会提出 6 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也有明显差异。能够生成可信视频与能够支持策略评估属于不同层面的能力。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不是同一个问题。论文强调评价的关键在于让评估证据和能力主张保持一致。模型声称服务具身决策就需要给出更贴近决策过程的评估证据。当前评估实践中感知指标占据了很大比重论文系统梳理了近期大量代表性工作后发现当前世界模型研究中最常见的评估内容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和语义一致性对物理规律的表面遵循程度最终任务成功率。这些指标覆盖了模型输出的多个层面能够帮助研究者了解模型的生成质量、条件控制能力和基本任务表现。论文同时指出若研究目标落在具身决策仅凭这些指标仍不足以完整支撑结论。决策系统需要回答的问题更加具体同一段历史下动作一旦改变任务相关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有多大偏差。换句话说具身决策关心的是行动带来的后果关心的是闭环系统中的有效性关心的是长期回报和策略排序。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 级评估阶梯梳理世界模型证据强度为了让不同评估目标更清晰地放在同一张图谱中论文提出了一个从 L0 到 L7 的「世界模型评估阶梯」。这一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。关注生成结果是否看起来真实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和几何一致性L4动作可控性与干预保真。关注动作变化能否引起正确的任务相关变化L5奖励、价值与结果保真。关注是否能准确预测成功率、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把世界模型相关评估证据放到了可区分、可对照的位置上。低层级指标为研究提供了重要诊断高层级指标更直接对应具身决策价值。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。生成未来画面与支持行动决策属于两类能力论文反复强调的一点是生成质量和决策价值之间并不存在天然等价关系。一个模型可以生成非常逼真的未来视频也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并不华丽只要它能较稳定地预测任务相关变量、成功信号和策略优劣依然可能在规划中发挥更高价值。这一判断延续了有模型强化学习中的经典认识。早期研究已经指出单步预测精度往往不能稳定代表控制性能。当前生成式世界模型研究在很多场合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不等于能够支撑可靠决策。论文将这一现象概括为一种「能力主张与评估证据之间的落差」并认为这是今天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中的分量这项研究的意义并不限于学术讨论。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。在很多应用场景里世界模型承载的任务十分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和策略筛选能力。此类系统进入真实环境后性能取决于几个关键问题模型是否真正理解动作与后果之间的关系是否能够在长时程任务中保持稳定是否能在分布变化和策略变化下继续有效是否能避免被优化过程「带偏」。从这个角度看世界模型的技术壁垒更多体现在以下能力上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。这类能力往往决定模型进入产品与系统后的真实表现也决定其在工程部署中的可依赖程度。论文提出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。具体而言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、却对工程应用非常关键的问题优化器会主动搜索模型中的「高估区域」。一旦世界模型在这些区域给出错误乐观判断系统就可能在模型内显得表现优异落到真实环境中却出现明显落差。对于具身智能这类偏差直接影响决策可靠性。作者并没有回避现实约束。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。这组要求保持了现实可行性也把评估从「生成得像」推进到「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基础也构成了系统可解释性和可视化能力的一部分。进一步走向真实世界应用评估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决策。