KNOWLEDGE NOTE · 持续修订
世界模型：画面、状态与行动各自证明什么
用输出契约区分视频生成、可计算仿真与行动规划，避免把视觉效果当成物理能力。
“世界模型”适合描述研究方向，却不足以定义一份产品验收单。同样是一段杯子被推动的视频，一个系统可能只生成画面，另一个保存可计算的物体状态，第三个据此选择机器人的动作。三者的错误会造成不同后果。
先问下游拿到什么
World Labs 在 2026 年 6 月提出按功能区分 renderer、simulator 和 planner。我借用这个分类帮助分析产品；它是一个研究团队的提案，不是统一标准。原文
| 下游得到的东西 | 我的验收问题 |
|---|---|
| 画面与声音 | 镜头是否连续，指定对象是否保持一致，修改是否可控？ |
| 可计算的场景状态 | 尺度、碰撞、材质和状态变化能否支持目标计算？ |
| 行动或行动序列 | 在给定观测与限制下，任务能否安全完成，失败能否识别？ |
这张表不是模型排行榜。一套系统可以同时承担几项职责，也可以把职责交给不同模块。
可看与可用之间，需要一个明确的转换
视频给出了一个可能的未来，但机器人还需要动作的坐标、时间、力度以及执行后的新观测。三维场景可以支持漫游，也未必包含适合接触任务的材料参数。把结果接入下游时，应写清楚保留了什么，估计了什么，哪些量根本不存在。
例如，将生成场景用于机器人训练，至少要检查比例、碰撞几何、动作接口和任务结果定义。这里的重点是检查项目自身的训练契约，不是要求每种娱乐内容都具有工程仿真的精度。
数据价值来自补上哪一种缺口
真实视频可以丰富外观与事件知识；带动作和结果的机器人轨迹，才让特定执行条件进入数据。DROID 和 OpenVLA 展示了真机数据、任务适配与策略学习的具体路径，不能据此跳到“看完互联网视频就会做家务”。DROID、OpenVLA
评估新增数据时，我会比较同一组任务上的失败类型：是对象没认对、接触时滑落、没有察觉失败，还是下一步计划错误。数据规模只有落到这些差别上，才有产品意义。
目前保留的判断
生成、仿真与规划可能相互提供训练信号，但“可能融合”不能当作已经具备通用行动能力的证据。白皮书中的产业讨论在这里拆成三个可单独验证的问题：结果是否可控、状态是否可信、行动是否可靠。它们也分别连接创作软件、空间工具和机器人。
公开来源与适用范围
- World Labs · A Functional Taxonomy of World Models
研究团队的分类提案 · 以输出功能区分 renderer、simulator、planner；不是业界统一定义，不代表能力已经融合。
- OpenVLA
研究项目与论文 · 视觉语言动作模型的训练与评测；只支持论文所披露的任务和实验条件。
- DROID
研究数据集 · 跨场景真机操作数据及采集基础设施；规模不能替代特定任务适配。