先模拟，后行动：世界模型的技术谱系、评测缺口与企业决策智能体的落地路径

引言

一个人在过马路前，会先在脑中预演：车速多快、自己走几步、来不来得及。这种“先在头脑里模拟，再在现实中行动”的能力，正是人工智能研究者所说的世界模型。Ha 与 Schmidhuber 在 2018 年的工作中把这一直觉做成了可训练的系统：先用无监督方式学习环境的压缩时空表示，再让智能体完全在模型生成的“梦境”中训练策略，再把策略迁回真实环境⁠¹。

八年后，世界模型已成为多个研究社区共用的概念。视频生成模型被称为“世界模拟器”⁠²；可交互环境模型可以根据一句文字生成能实时行走的三维世界⁠³；自监督视频模型可以在几乎不收集新数据的情况下，让机械臂按图像目标完成抓放⁠⁴；LLM 智能体开始先“想一想这一步点下去网页会怎样”再动手⁠⁵。概念的扩张带来了两个问题：一是术语混用⁠^6,7；二是评测错位：很多工作报告“画面像不像”，企业关心的却是“用它做决策会不会更好”。

本文面向一线工程师与企业决策者。全文结构如下：“背景与相关工作”一节给出定义与谱系；“核心方法与技术分析”一节比较训练目标、动作条件化与规划方式；“对比与评测”一节梳理评测基准；“与 LLM 智能体结合：先模拟、后行动”一节讨论与 LLM 智能体的结合；“应用与案例类型：企业场景中的可落地形态”一节讨论企业场景的可落地类型；“挑战与局限”一节总结局限；“弘犀智能观点与未来展望”一节给出弘犀智能的观点与可检验展望；“结论”一节结论。

文献方法：以 Dreamer、JEPA、Genie、Cosmos 四个系列为主干，并检索 2025 年 11 月至 2026 年 10 月标题含“world model”或“JEPA”的 arXiv 预印本人工筛选。所有引用均已打开原文核对标题与作者；文中数字均为原作者自报，预印本未经同行评审，应谨慎看待。

背景与相关工作

定义：从部分可观测马尔可夫决策过程出发

Zhu 在 2026 年 10 月的导论文章中指出，“世界模型”的概念目前仍较松散，涵盖预测性动力学模型、学习型模拟器以及同时生成未来观测与动作的模型；他建议从部分可观测马尔可夫决策过程（POMDP）出发统一理解⁠⁶。沿着这一思路，一个世界模型至少包含三部分：

• 编码器 z_t = f_θ(o_≤t)：把历史观测压缩为状态表示；
• 转移模型 ẑ_(t+1) ~ p_θ(z_(t+1) | z_t, a_t)：给定动作预测下一状态；
• 读出头（可选）：解码回观测 ô_(t+1)，或预测奖励、价值、终止信号。

不同路线的差别，主要在于状态 z 长什么样（像素、连续潜变量、离散 token、文本或结构化表格），以及训练时用什么信号约束转移模型。Ding 等人的综述从功能角度把世界模型分为两类：一类用于构建内部表示以“理解世界”，另一类用于预测未来状态以“模拟并指导决策”⁠⁷。本文更关心后者，因为企业智能体归根结底要回答的是“如果这样做，会发生什么”。

谱系：四条技术线的交汇

潜在动力学与强化学习线。Dreamer 在学习到的紧凑状态空间里“想象”轨迹并沿其反传价值梯度来学习行为⁠⁸；DreamerV2 改用离散潜变量，在 Atari 上达到人类水平⁠⁹；DreamerV3 以一套固定配置在 150 多个任务上超过专门方法，并据作者报告，在不使用人类数据和课程的情况下从零开始在《我的世界》（Minecraft）中采集到钻石，该工作于 2025 年发表于 Nature⁠¹⁰。2025 年 9 月的 Dreamer 4 把这一思路推向“离线”：世界模型从大量无标注视频中学习通用知识，只用少量带动作数据学会动作条件化，并通过“shortcut forcing”目标与高效 Transformer 在单块 GPU 上实时推理；智能体完全在想象中学习，据作者报告，这是首例仅凭离线数据、不与环境交互就在 Minecraft 中拿到钻石的智能体，这需要从原始像素中选择超过两万步的鼠标键盘动作⁠¹¹。与之并行，MuZero 学习一个只预测奖励、价值与策略的模型并在其上做树搜索⁠¹²，TD-MPC2 在无解码器的隐式世界模型潜在空间里做局部轨迹优化，以单一超参数覆盖 104 个在线强化学习任务⁠¹³。

token 与扩散线。IRIS 用离散自编码器加自回归 Transformer 构建世界模型，在 Atari 100k 上以约两小时游戏量取得 1.046 的平均人类归一化分数⁠¹⁴；DIAMOND 则认为压缩成离散 token 会丢掉对决策重要的视觉细节，改用扩散模型做环境模型，在同一基准上达到 1.46⁠¹⁵。

表征预测（JEPA）线。I-JEPA 提出不重建像素、而是从一个上下文块预测同一图像中其他目标块的表征⁠¹⁶；V-JEPA 把特征预测作为视频自监督的单独目标⁠¹⁷；V-JEPA 2 在超过 100 万小时的互联网视频上预训练，再用不到 62 小时的无标注机器人视频后训练出动作条件世界模型 V-JEPA 2-AC，并在两个实验室的 Franka 机械臂上零样本完成基于图像目标的抓放，过程中没有在这些环境采集任何数据，也没有任务特定的训练或奖励⁠⁴。2025 年 11 月的 LeJEPA 给出 JEPA 的理论分析，指出嵌入的理想分布是各向同性高斯，并提出 SIGReg 正则，使训练不再依赖停止梯度、师生网络等经验技巧，核心实现约 50 行代码⁠¹⁸。DINO-WM 则直接在预训练的 DINOv2 图像块特征上学习动力学，用于零样本规划⁠¹⁹。

视频生成与可交互环境线。OpenAI 的 Sora 技术报告把视频生成模型称为“世界模拟器”，认为扩散 Transformer 在时空潜在块上扩展，是走向通用物理世界模拟器的一条有希望的路径，同时也承认它不能准确模拟玻璃破碎等基本物理交互⁠²。Genie 从无标注互联网视频中无监督学习，可根据文字、图片甚至草图生成可逐帧操控的虚拟世界，规模 110 亿参数⁠²⁰。Genie 3 可以根据文字提示生成每秒 24 帧、720p、可实时导航的动态世界，并保持数分钟的一致性，视觉记忆可追溯约一分钟前⁠³。GameNGen 在单块 TPU 上以每秒 20 帧实时模拟经典游戏 DOOM⁠²¹；UniSim 则尝试学习真实世界交互的通用模拟器⁠²²。NVIDIA 的 Cosmos 平台以开放权重形式提供视频数据整理管线、预训练世界基础模型与 tokenizer⁠²³，其新一代 Cosmos-Predict2.5 在 2 亿个整理过的视频片段上训练，提供 20 亿和 140 亿参数两个规模，定位于合成数据生成、策略评估与闭环仿真⁠²⁴。自动驾驶领域的 GAIA-1 与 GAIA-2 则支持以结构化输入控制多摄像头视频生成⁠^25,26。Wiedemer 等人还发现，Veo 3 能零样本完成分割、物理属性理解与简单迷宫求解等未经专门训练的任务⁠²⁷。

语言与结构化世界模型线。RAP 把 LLM 同时用作世界模型和推理智能体，用蒙特卡洛树搜索在“推理即规划”的框架里探索⁠²⁸；WMA 和 WebDreamer 让网页智能体在点击前先预测页面变化⁠^5,29；近一年的工作则把世界模型扩展到动态排产⁠³⁰、模块化业务系统⁠³¹、多参与者事件流⁠³² 与经济系统仿真⁠³³。

五类谱系

综合以上四条线，我们按“状态表示”和“主要用途”两个维度，把世界模型归为五类（图1、表1）。需要强调，这是便于讨论的近似划分，类别之间存在交叉：Dreamer 4 既是潜在动力学模型，又可以实时交互；V-JEPA 2-AC 既是表征预测模型，又用于模型预测控制。

本文定位

已有综述多从机器人、自动驾驶或生成模型角度展开⁠^7,34。本文的不同在于：把 LLM 智能体与结构化世界模型纳入同一谱系，按“离决策有多近”给评测分层，并从企业决策角度讨论落地与治理。

核心方法与技术分析

统一形式化

把“定义：从部分可观测马尔可夫决策过程出发”一节的三部分写成训练目标，大多数世界模型都可以表示为

L = L_pred(ẑ_(t+k), target_(t+k)) + λ1 · L_reg + λ2 · L_task

其中 L_pred 为预测项，L_reg 为防坍缩/正则项，L_task 为奖励、价值等任务项。

三种训练目标的根本区别在于“target 是什么”：像素重建路线的目标是原始观测（或其压缩潜在），潜在预测路线的目标是另一个编码器给出的嵌入，自回归 token 路线的目标是离散化后的下一个 token。

三种训练目标对比

像素重建（含扩散去噪）。模型要还原未来画面的每个细节。好处是监督稠密、结果可视；代价是大量容量花在与决策无关的细节上，比如树叶纹理。DIAMOND 的结果说明，在某些游戏中，这些细节恰恰对决策有用⁠¹⁵；但 Physics-IQ 的结果也说明，画面逼真与物理理解并不相关⁠³⁵。

潜在预测（JEPA）。模型只在表征空间预测未来，不必画出每个像素，因而可以把容量集中在“可预测的结构”上。V-JEPA 2 用超过 100 万小时视频预训练、不到 62 小时机器人视频后训练即可支持规划⁠⁴，展示了这种路线的数据效率。它的主要风险是表征坍缩：如果编码器把所有输入映射到同一个点，预测损失会变成零，但模型什么也没学到。早期方法依赖指数移动平均（EMA）目标网络、停止梯度等技巧，LeJEPA 则用 SIGReg 正则给出更有理论依据的方案⁠¹⁸。另一个风险是“看不见的误差”：损失以模型自身嵌入为单位，难以直接解释。Cheung 与 He 发现，在一个端到端 JEPA 世界模型上，首轮训练后，后续 15 个检查点的保真度又提高 15%，一步误差与规划成功率的相关系数却只有 −0.010⁠³⁶。

自回归 token。把画面离散化为 token，再像语言模型一样预测下一个 token。IRIS 与 Genie 都采用这一结构⁠^14,20。它可复用 LLM 的训练与推理设施，天然支持逐步交互；代价是离散化可能丢失细节⁠¹⁵，以及逐步生成带来的误差累积。Genie 3 的博客明确指出，自回归地生成环境通常比一次性生成整段视频更难，因为误差会随时间累积⁠³。

从企业视角看，这张表有一个直接推论：如果目的是决策，而不是生成可供观看的内容，训练目标应尽量对准“与决策相关的状态”。Lambert 等人早在 2020 年就把这个问题称为“目标错配”：动力学模型按一步预测似然训练，而真正的目标是下游控制表现，两者往往不相关；对特定任务有效的模型不必全局准确，全局准确的模型也未必在局部足够准确⁠³⁷。2026 年的多项工作从不同角度重新确认了这一点⁠^36,38。

动作条件化与潜在动作

世界模型要服务于决策，必须回答“如果我做 A，会怎样”。这要求模型以动作为条件。难点在于：互联网视频大多没有动作标签。三种代表性做法是：

• 潜在动作模型：Genie 从相邻帧中无监督推断一个离散潜在动作，用户在推理时通过选择潜在动作来操控世界⁠²⁰；
• 少量标注对齐：Dreamer 4 从大量无标注视频中学习世界知识，只用少量带动作数据学会通用的动作条件化⁠¹¹；V-JEPA 2-AC 用不到 62 小时的机器人视频完成同样的事⁠⁴；
• 结构化条件：GAIA-2 以自车动态、其他交通参与者配置、天气与道路语义等结构化变量为条件⁠²⁶；Genie 3 则允许以文字触发“世界事件”，例如改变天气或引入新物体，DeepMind 认为这扩大了可供智能体学习的反事实（“如果……会怎样”）情景范围⁠³。

对企业场景而言，第三种做法更贴近实际：业务动作（补货量、促销力度、工艺参数）本来就是结构化变量，不需要从视频中推断。

规划：如何把预测变成决策

有了动作条件的世界模型，常见的四种规划方式是：

1. 想象中学策略：在模型生成的轨迹上训练策略网络，Dreamer 系列为代表⁠^8–11；
2. 模型预测控制（MPC）：每一步在模型里搜索一段动作序列，只执行其中头一步，然后根据新观测重新规划，TD-MPC2、DINO-WM、V-JEPA 2-AC 为代表⁠^4,13,19；
3. 树搜索：在模型上展开搜索树，MuZero 与 RAP 为代表⁠^12,28；
4. 候选排序：由外部策略或 LLM 生成若干候选，世界模型逐一模拟并打分，Navigation World Models 与 WebDreamer 为代表⁠^5,39。

近一年的研究揭示了规划的一个关键边界。Alrasheed 等人在五种冻结视觉骨干（含 V-JEPA 2 与 DINOv2）上构建动作条件预测器，在 Meta-World 与 BridgeData V2 上发现：只有当目标位于想象轨迹之内或稍远处时，世界模型才能可靠地指导动作选择；在 5 步想象轨迹下，模型只能可靠地为 5 到 10 步之内的目标排序动作，而任务目标通常在 16 到 53 步之外；把预测器放大 81 倍也无法扩展这一范围；更根本的是，即使用真实模拟器替代学习模型（即预测完美），当目标从 5 步移到 20 步时，成功率也从 92% 降到 41%⁠⁴⁰（图2）。他们的结论是，规划要么需要更长的想象轨迹，要么需要更近的子目标：对远距离目标，纯想象成功率 23%，加反馈的 MPC 为 30%，想象到目标处为 47%，给出近处专家子目标为 76%；而在可规划范围内，让世界模型从视觉-语言-动作（VLA）策略提出的八个动作中选一个，可把成功率从 65% 提高到 77%⁠⁴⁰。

这一发现对企业智能体的启示很直接：世界模型更适合做“近处的比较”，而不是“远处的预言”。把长周期目标拆成可验证的近处子目标，再让世界模型在每个子目标内比较候选方案，比让它一次性推演到底更可靠。

实时性与长时一致性的工程问题

交互式世界模型面临两个工程约束。一是实时性：Genie 3 需要在每秒多次响应输入的同时回看越来越长的历史⁠³；GameNGen 的下一帧预测峰值信噪比（PSNR）为 29.4，与有损 JPEG 压缩相当⁠²¹；Dreamer 4 通过 shortcut forcing 在单 GPU 上实现实时交互推理⁠¹¹。二是长时一致性：Genie 3 的环境能在数分钟内保持基本一致，但官方也承认目前只支持几分钟的连续交互，而非数小时⁠³。对企业仿真而言，“数分钟的视觉一致”并不是关键指标；更关键的是业务状态在数十、上百个决策周期之后是否仍然自洽，这一点我们在“长时一致性：回来时世界还是原样吗”与“挑战与局限”两节继续讨论。

对比与评测

四个评测层次

我们把现有评测按“离决策有多近”分为四层（图3）：L1 感知质量，看画面是否清晰连贯；L2 物理一致性，看是否符合重力、碰撞、流体等规律；L3 可控性与长时一致性，看动作是否被正确执行、回访同一位置时世界是否保持不变；L4 闭环决策价值，看把世界模型用于规划或评估后，任务结果是否真的更好。

物理一致性：逼真不等于懂物理

VideoPhy 用人工评估检验多种材料交互是否符合物理常识⁠⁴³；PhyGenBench 用 160 条提示覆盖四个基础领域的 27 条物理定律⁠⁴²；Physics-IQ 覆盖流体、光学、固体力学、磁学与热力学，测试 Sora、Runway、Pika 等模型后的结论是：物理理解“严重受限”，且与视觉逼真度无关⁠³⁵。

Kang 等人用确定性的二维物理模拟器生成训练数据，系统测试扩散视频模型能否“发现”物理规律。他们发现，模型在分布内泛化完美，组合泛化随规模提升，但在分布外场景失败；进一步分析显示，模型没有抽象出一般物理规则，而是表现出“基于案例”的泛化，即模仿与之相近的训练样例⁠⁴¹。2026 年 8 月的 GAUGE 把评测锚定在真实测量轨迹上，覆盖刚体、柔性线缆、织物与体积可变形物体等 22 个任务族；结果显示，没有一个物理引擎在所有任务上都保持保真，偏差突出的是冲击接触、快速织物运动与体积变形；视频世界模型则可能生成“方程形式正确”的轨迹，却给出错误的加速度、动量传递与振荡时序⁠⁴⁶。

对企业而言，“看起来对”是格外危险的错误：形式可信、数值偏离，肉眼很难发现。

可控性：动作是否真的被执行

WorldScore 把世界生成拆成一系列带明确相机轨迹布局的“下一场景生成”任务，用 3,000 个测试样例从可控性、质量与动态三方面评测 19 个模型⁠⁴⁴。WorldModelBench 引入物理遵循维度，能发现物体尺寸不规则变化（违反质量守恒）等细微问题，基于 6.7 万条人工标注评测 14 个模型⁠⁴⁵。

2026 年的新基准开始把“参考答案”从人的感觉换成可计算的状态。WMEval 用 Unity 物理仿真作为真值来源，在 9 个场景中让仿真器与世界模型执行相同的动作序列，从动作可控性、场景与角色一致性、运动学、流体力学、物理因果与光照等维度比较，结果显示许多在常规感知指标下看不出的问题仍有很大改进空间⁠⁴⁷。WorldOracle 则直接对照真实世界执行：给定同一初始观测和低层动作序列，看预测轨迹能否复现真实发生的物理后果与任务状态转移，评测了 7 个动作条件世界模型⁠⁴⁸。

长时一致性：回来时世界还是原样吗

WorldMemBench 用 260 个测试用例评测视频世界模型的“世界记忆”，包括人物、物体与环境的静态记忆，以及事件进展与状态持续的动态记忆；对 9 个代表性模型的评测显示，静态保持得好并不意味着动态状态演化可靠，多次回访会暴露初次返回之后的记忆退化⁠⁴⁹。PlayWorld 让多模态智能体作为“玩家”，朝 171 个场景中的长时目标与世界模型交互，评测几何一致性、交互保真度、视野外演化与视野内演化，结论是当前 9 个模型在长时交互目标上仍不可靠，尤其是空间一致性与状态持续演化⁠⁵⁰。

语言世界模型方面，World Agent 基准考察模型能否让世界“持续运行”，即把事件落实为显式状态的正确转移；在 8 个模型中，因果关系检查是所有模型的薄弱环节⁠⁵²。

闭环决策价值：关键而稀缺的一层

Jena 等人梳理了 2017 至 2026 年间 160 个经网页核实的机器人相关基准，发现 138 个与模型类型无关，只有 11 个（7%）明确构建了“世界模型 vs 直接 VLA 策略”的对照，只有 4 个把预测转化为实际执行的动作，反事实能力几乎完全没有被测量⁠³⁴。作者认为，领域目前还无法回答“世界模型是否带来可测量的闭环优势”，原因在测量方式⁠³⁴。

WorldFailBench 补上了其中一块：它不只看世界模型能否判断策略成功与否，还看能否忠实模拟策略“怎样失败、在哪个阶段失败、在什么条件下从成功转为失败”。对 7 个世界模型的测试显示，它们对策略失败的理解存在明显差距；作者提醒，错误地模拟失败会导致误诊策略弱点，甚至让一个小场景变化就会失败的策略看起来已经可以部署⁠⁵¹。

评测的三个系统性偏差

综合以上工作，我们认为当前评测存在三个系统性偏差。

其一，用一步误差代替决策价值。Cheung 与 He 的结果显示一步保真度与规划成功率几乎不相关⁠³⁶，Lambert 等人的“目标错配”给出了理论解释⁠³⁷。在跨环境比较中，这一“汇率”也不稳定：在 TwoRoom 环境中保真度误差降低 93% 只换来 −0.7 个百分点的规划变化，在 PushT 中降低 40% 却带来 +4.9 个百分点⁠³⁶。

其二，用回放代替真实分支。Gonuguntla 在 SWE-bench 智能体轨迹的受控位置分叉、换用另一模型继续，发现 61% 至 94% 的后续动作被改写，只有 3% 的回放状态仍然有效，“日志拼接”式回放评估对所有与成败相关的结果都判断错误⁠⁵³。这对“反事实模拟”的评估是一个警示：只要动作改变了后续状态，基于历史日志的静态回放就是在给错误的世界打分。

其三，忽略训练过程本身的副作用。Che 等人在两个交互式文本环境中把真实的下一观测替换为分布内但不匹配的观测作为训练目标，预测准确率下降了 15.3% 至 61.6%，任务收益却大部分保留；甚至用与环境无关的随机奖励训练，也能在 VisualWebArena 上把 pass@64 提高 14.3%⁠⁵⁴。这说明“加了世界模型目标后效果变好”并不能直接归因于“模型学会了预测世界”。

与 LLM 智能体结合：先模拟、后行动

为什么 LLM 智能体需要世界模型

网页、企业系统与真实世界中充满不可逆动作。WMA 的作者举了一个例子：现有网页智能体会反复购买不可退款的机票，而人类会因为预见到后果而避免这种错误⁠²⁹。WebDreamer 的作者也指出，真实网站上许多动作无法撤销，依赖回溯的树搜索难以适用⁠⁵。世界模型提供了另一条路：先在模型里预演候选动作的后果，再选择一个执行。

四种耦合方式

（1）LLM 本身作为世界模型。RAP 用 LLM 预测推理状态并做树搜索⁠²⁸；WebDreamer 用 LLM 同时充当世界模型和价值函数，在 VisualWebArena 上与树搜索性能相当、效率高 4 至 5 倍，其专门训练的 Dreamer-7B 世界模型表现与 GPT-4o 相当⁠⁵。

（2）训练专用的世界模型。WMA 发现直接预测下一页面会遇到观测元素重复、HTML 过长等问题，于是只预测“时间步之间的重要状态差异”的自然语言描述⁠²⁹。DGS-WM 进一步只把对后续决策有价值的观测单元作为世界建模目标，并按置信度自适应加权，与强化学习损失联合优化⁠³⁸。这两项工作共同说明：语言智能体的世界模型应该预测“变化了什么”而不是“看到了什么”。

（3）按需调用、预判风险。PAWM 的预研发现，世界模型的指导在“预见有界未来步内的陷阱”时作用明显；它只在可能出现陷阱时介入，预测即将发生的失败并引导智能体避开，在 ScienceWorld 上把 Claude Sonnet 4.5 的表现提高 24.3%，在 WebArena-Lite 上提高 7.7%⁠⁵⁵。DreamGuard 把风险感知世界模型用作运行时护栏：维护轨迹上的紧凑循环潜在状态，预测未来状态并据此给出即时危险与前缀风险证据，在执行前决定是否干预，平均每次调用的端到端延迟为 25 毫秒⁠⁵⁶。

（4）合成可训练的环境。WildAWM 用开源模型合成同时支持图形界面、MCP 服务与命令行的可执行环境，生成 341 个长时任务；在其中训练的模型在 8 个分布外基准上取得明显提升⁠⁵⁷。

什么时候可以信任世界模型

“先模拟、后行动”的前提是模拟足够可信。Dual-Frontier 把这一问题形式化：当一个由世界模型指导的决策失败时，仅凭轨迹无法区分是决策规则错了还是世界模型错了，作者证明这两部分在被动交互下不可识别；据此提出的原则是，只有当预测优势超过一个经认证的“与决策相关的世界模型误差界”时才采纳该决策，否则先把证据用于验证世界模型⁠⁵⁸。我们认为这一“先验证、再晋升”的思路，与企业治理中的“建议≠决策”高度一致（见“弘犀智能观点与未来展望”一节）。

结构化分解是提高可信度的另一条路。AWMP 把动态排产中的状态转移拆成两部分：车间内部已知的确定性转移，以及未来任务到达这一不确定的外生部分，只让 LLM 预测后者；它设置“意外触发”机制，仅在新到达的任务与先前预测偏离足够大时才重新调用 LLM，并用近期的预测误差在线自校准；以八种经典优先级调度规则各自结果中的上限为基线，加权延误在动态作业车间上降低 6% 至 21%，在柔性作业车间上降低 22% 至 46%⁠³⁰。Song 与 Cai 研究订单、支付、库存、发货等模块化服务，指出只拟合观测轨迹的世界模型在存在未阻断的后门路径时会产生不可消除的干预误差：轨迹显示“支付先于发货”，却无法判断是支付授权了发货，还是隐藏触发器同时导致两者；当 API 签名能暴露前置条件与下游效果时，因果接口帮助明显⁠³¹。

多参与者环境则更难。Ni 等人构建多参与者“事件世界”基准，发现只知道自身动作时，若他人对结果影响很大，模型难以准确预测，更大的模型帮助有限，且会高估计划成功率⁠³²。Genie 3 的官方局限中也列出了多个独立智能体之间复杂交互的建模仍是开放问题⁠³。

成本：模拟不是免费的

每次“先模拟”都意味着额外的推理调用。近期提出的 TAO 针对智能体服务中 GPU 推理与 CPU 工具调用交替进行的特点，联合考虑工具返回就绪时间、带时间衰减的节点缓存收益与 token 占用来做准入和放置，据作者报告，在 12 种设定中相对各指标下表现好的现有基线，把延迟至多降低 26.8%、首 token 时间至多降低 36.3%、解码吞吐至多提高 29.5%⁠⁵⁹。我们的理解是，当世界模型被当作智能体的一个“工具”反复调用时，这类联合调度会直接影响“先模拟”是否算得过账。PAWM 的“只在可能出错时调用”⁠⁵⁵ 与 AWMP 的“意外触发刷新”⁠³⁰，从算法侧给出了同一问题的答案：按需模拟比每步模拟更经济。

DeepMind Institute 10 月 29 日的文章提醒，真正改变组织规模的是智能体之间的协作能力，而现有基准几乎不测量协作⁠⁶⁰。当多个智能体共享同一个世界模型协调计划时，它就成了协作的“公共底稿”，一致性与可追溯性更加重要。CoWorld Reasoner 把视频世界模型封装为工具，由技能指导视觉语言模型决定是否“想象”，并在不改权重的前提下让工具与技能随反馈演化，在 MMSI 与 ERQA 上分别取得 11.8% 与 13.0% 的相对提升⁠⁶¹。这种“以 Harness 调度世界模型”的形态，与企业智能体平台的组织方式相当接近。

应用与案例类型：企业场景中的可落地形态

本节只做类型讨论，所用例子与图表均为示意数据，不代表任何企业或产品的实际效果。

一个判断框架：先问五个问题

在决定是否为某个业务问题构建世界模型之前，我们建议先回答五个问题：

1. 状态能否被结构化地观测？库存、在途、价格、工艺参数这类表格化状态，比“门店的样子”更适合作为世界模型的状态。
2. 动作能否被枚举或参数化？补货量、折扣力度、温度设定可以；“改善客户关系”不行。
3. 哪部分是已知机制、哪部分是外生不确定？沿用 AWMP 的分解思路⁠³⁰，把确定性的业务规则（如库存守恒）写成代码，只让学习模型预测外生部分（如需求）。
4. 有没有干预数据？只有历史观测、没有主动试验或自然实验时，因果混淆风险很高⁠^31,62。
5. 错误的代价是什么、可否撤销？代价越高、越不可逆，模拟结果越应只停留在“建议”层级，并经过人工审批。

类型一：快消门店与供应链的反事实模拟

典型问题是：“如果下个月把这批门店的补货规则从‘按上周销量’改成‘按滚动预测’，再在促销周额外加量，缺货率和临期库存会怎样？”状态是门店×品规×周的库存、在途与价格；动作是补货规则与促销安排；外生变量是需求、天气与竞品活动。

图5 用示意数据展示了两点。其一，区间比点估计更重要：三种策略的中位数差异，必须与模拟区间一起看，区间重叠时不应宣称某个策略“更好”。其二，长程模拟必须定期校准：如果逐步滚动而不引入实际数据，误差会随步长累积；每隔几周用实际销量重新校准，误差就能被控制在较低水平。这与 MBPO“从真实数据分支出短程模拟”的经验一致⁠⁶³。

类型二：制药工艺仿真

制药生产中，工艺参数与关键质量属性的关系部分可由机理模型描述，部分需从批次数据学习，适合“机理模型 + 数据驱动残差”的混合世界模型。GAUGE 的结果提醒我们，即使是成熟的物理引擎，在接触、柔性与变形等过程上也存在系统偏差⁠⁴⁶，因此仿真结果只能用于缩小试验范围、提示风险方向，不能替代工艺验证。仿真所用数据、模型版本与参数应留痕并可重演，以符合计算机化系统与数据可靠性要求。

类型三：风险压力情景模拟（仅作类型）

在风险管理中，世界模型可以作为“情景生成器”：在给定的外部冲击（如需求骤降、供应中断）下，生成多种可能的演化路径，帮助分析人员发现单一假设下看不到的脆弱环节。经济世界模型研究提出了六级能力阶梯，并指出现有工作多集中在低层级⁠³³；在公共卫生领域，EpiMind 用图结构的循环状态空间模型在区域间生成策略条件下的联合推演，并在共享资源约束下保证每期可行，相对无图动力学模型把住院人数的均方根误差降低 29%⁠⁶⁴。这些工作说明结构化、带约束的世界模型可以支持情景分析；但在任何受监管的场景中，情景模拟只能作为分析人员的辅助材料，方法与结论应由具名专业人员审定。

挑战与局限

复合误差。自回归推演的误差随步长累积，这在 Genie 3 的官方说明⁠³、MBPO 的短程分支设计⁠⁶³ 与 Alrasheed 等人的可规划范围实验⁠⁴⁰ 中都有体现。即使预测完美，远距离目标的规划成功率也会明显下降⁠⁴⁰，说明问题不只在模型精度，还在规划方式本身。

因果混淆。de Haan 等人发现忽视因果结构会导致“因果误识别”：信息更多反而表现更差⁠⁶²。世界模型的训练目标无法区分“动作导致的”与“只是同时出现的”⁠⁶⁵。Do-JEPA 的做法是从同一个模拟器状态出发，分别执行目标动作和参照动作，让模型预测两个未来的差异，在端到端模型上把潜在效应误差降低 28.4%⁠⁶⁵。但这依赖可以重置的模拟器，在真实企业数据中，干预数据往往稀缺。

评测缺失。如“对比与评测”一节所述，闭环与反事实评测覆盖极薄⁠³⁴，一步误差不是可靠的代理指标⁠³⁶，静态回放会给错误的世界打分⁠⁵³。

算力与数据。V-JEPA 2 用到超过 100 万小时视频⁠⁴，Cosmos-Predict2.5 用到 2 亿个视频片段⁠²⁴。对企业而言，更现实的约束是表格数据：Jeon 等人在 147 个真实表格数据集上比较了带 JEPA 潜在项与只做数值预测的表格基础模型，JEPA 版本在分类上以 32 胜 70 负、回归上以 8 胜 24 负落后，且达到平台期需要 1.42 倍的训练步数和 1.66 倍的时间⁠⁶⁶。这说明把视觉领域的成功配方直接搬到企业表格数据上，并不保证收益。

多主体与开放世界。其他参与者的决策会改变结果，模型却会高估计划成功率⁠³²；现有视频世界模型对多个独立智能体的交互建模仍不成熟⁠³。

安全与治理。Genie 3 因开放式与实时能力带来新的安全挑战，以有限研究预览形式发布⁠³。在企业中，世界模型的输出如果被直接当作事实写入系统，就会把模型误差变成业务数据。

弘犀智能观点与未来展望

以下内容为弘犀智能的观点与判断，不是已被证实的事实。

观点一：企业决策智能体需要的是“与决策相关的结构化世界模型”，而不是像素世界。论据有三：企业动作本身是结构化变量（3.3 节）；一步保真度与决策价值弱相关（4.6 节）；在排产等运营问题上，“已知确定转移 + 学习外生变量”的分解已显示效果⁠³⁰。视频世界模型在企业中更可能用于合成数据与测试。

观点二：世界模型的输出是“推理”，不是“事实”。弘犀智能企业智能体平台的官网把治理框架概括为五个不等式⁠⁶⁷，其中两条是“推理≠事实”“建议≠决策”。我们认为，世界模型的模拟结果应被放进同一框架：它可以作为候选方案的证据进入审批包，但不能绕过 Harness 中的政策闸门与独立验证器，更不能直接触发写操作。Dual-Frontier 的“预测优势超过误差界才采纳”⁠⁵⁸，可以看作这一原则的算法化表达。

观点三：世界模型需要在线校准的闭环。图5 说明长程模拟必须用实际数据定期校准。官网介绍的 Deep Hope S1 推训一体平台采用“边推边训”架构，在线链路完成实时推理与决策，离线链路完成批量建模，样本与表现回流驱动离线迭代；在快消场景中，它承担门店与区域的滚动需求预测⁠⁶⁸。我们认为，这类在线/离线双链路正是承载“可校准世界模型”的合适底座；Harness 中模型路由器锁定版本、禁止运行途中自动升级的设计，则保证每一次模拟都可复现。

观点四：模拟先用在低自主度。官网把智能体自主度分为 L0 至 L5⁠⁶⁷，企业主战场在 L2（给建议）、L3（调用工具）与有条件的 L4（执行低风险任务）。我们建议世界模型首先用于 L1–L2：在快消的活动复盘与制药的费用单据初审等场景智能体中，用模拟结果帮助人更快地比较方案，而决定仍由具名人员作出。

观点五：评测应以“决策后悔值”和“校准度”为准。我们建议企业在验收世界模型时至少报告三项指标：用于决策后相对基线的改进（闭环指标）、模拟区间对实际结果的覆盖率（校准指标）、以及对未执行动作的预测在后续自然实验中的准确度（反事实指标）。

结论

世界模型正从“生成看起来真实的未来”走向“支持更好的决策”。主要结论有四：世界模型可分为五类，企业决策更需要结构化、与决策相关的一类；训练目标决定容量花在哪里，一步保真度不是决策价值的可靠代理；评测越接近决策覆盖越薄；“先模拟、后行动”已在 LLM 智能体中显示收益，前提是按需调用、近处比较、定期校准，并把模拟结果交给治理体系裁决。

要点小结

• 世界模型的价值在“近处的比较”，不在“远处的预言”⁠⁴⁰；
• 画面逼真不等于懂物理⁠^35,46，一步误差低不等于决策好⁠³⁶；
• 反事实评估不能靠日志回放⁠⁵³；
• 企业场景先用结构化状态、确定性规则与学习外生变量的混合分解⁠³⁰；
• 模拟结果是“推理”不是“事实”，进入决策前需经政策闸门、独立验证与具名审批。

致谢与声明：本文观点仅代表弘犀智能研究团队；文中第三方研究数字均为原作者自报，产品能力描述以弘犀智能官网 https://www.hxallai.com 公开内容为准。

参考文献

1. 1.Ha, D. & Schmidhuber, J. World Models. Preprint at https://arxiv.org/abs/1803.10122 (2018).
2. 2.Brooks, T. et al. Video generation models as world simulators. OpenAI Technical Report (2024-02-15) (2024). https://openai.com/index/video-generation-models-as-world-simulators/
3. 3.Parker-Holder, J. & Fruchter, S. Genie 3: A new frontier for world models. Google DeepMind Blog (2025-08-05) (2025). https://deepmind.google/blog/genie-3-a-new-frontier-for-world-models/
4. 4.Assran, M. et al. V-JEPA 2: Self-Supervised Video Models Enable Understanding, Prediction and Planning. Preprint at https://arxiv.org/abs/2506.09985 (2025).
5. 5.Gu, Y. et al. Is Your LLM Secretly a World Model of the Internet? Model-Based Planning for Web Agents. arXiv preprint arXiv:2411.06559 (2024). https://arxiv.org/abs/2411.06559
6. 6.Zhu, Z. An Introduction to World Models for Generalist Agents. Preprint at https://arxiv.org/abs/2610.30789 (2026).
7. 7.Ding, J. et al. Understanding World or Predicting Future? A Comprehensive Survey of World Models. ACM Computing Surveys (extended version on arXiv). arXiv:2411.14499 (2024). https://arxiv.org/abs/2411.14499
8. 8.Hafner, D., Lillicrap, T., Ba, J. & Norouzi, M. Dream to Control: Learning Behaviors by Latent Imagination. Preprint at https://arxiv.org/abs/1912.01603 (2019).
9. 9.Hafner, D., Lillicrap, T., Norouzi, M. & Ba, J. Mastering Atari with Discrete World Models. In International Conference on Learning Representations (ICLR 2021). arXiv:2010.02193 (2020). https://arxiv.org/abs/2010.02193
10. 10.Hafner, D., Pasukonis, J., Ba, J. & Lillicrap, T. Mastering diverse control tasks through world models. Nature 640, 647–653 (2025). https://doi.org/10.1038/s41586-025-08744-2
11. 11.Hafner, D., Yan, W. & Lillicrap, T. Training Agents Inside of Scalable World Models. Preprint at https://arxiv.org/abs/2509.24527 (2025).
12. 12.Schrittwieser, J. et al. Mastering Atari, Go, Chess and Shogi by Planning with a Learned Model. Preprint at https://arxiv.org/abs/1911.08265 (2019).
13. 13.Hansen, N., Su, H. & Wang, X. TD-MPC2: Scalable, Robust World Models for Continuous Control. In International Conference on Learning Representations (ICLR 2024). arXiv:2310.16828 (2023). https://arxiv.org/abs/2310.16828
14. 14.Micheli, V., Alonso, E. & Fleuret, F. Transformers are Sample-Efficient World Models. In International Conference on Learning Representations (ICLR 2023). arXiv:2209.00588 (2022). https://arxiv.org/abs/2209.00588
15. 15.Alonso, E. et al. Diffusion for World Modeling: Visual Details Matter in Atari. In Advances in Neural Information Processing Systems (NeurIPS 2024). arXiv:2405.12399 (2024). https://arxiv.org/abs/2405.12399
16. 16.Assran, M. et al. Self-Supervised Learning from Images with a Joint-Embedding Predictive Architecture. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV 2023). arXiv:2301.08243 (2023). https://arxiv.org/abs/2301.08243
17. 17.Bardes, A. et al. Revisiting Feature Prediction for Learning Visual Representations from Video. Preprint at https://arxiv.org/abs/2404.08471 (2024).
18. 18.Balestriero, R. & LeCun, Y. LeJEPA: Provable and Scalable Self-Supervised Learning Without the Heuristics. Preprint at https://arxiv.org/abs/2511.08544 (2025).
19. 19.Zhou, G., Pan, H., LeCun, Y. & Pinto, L. DINO-WM: World Models on Pre-trained Visual Features enable Zero-shot Planning. Preprint at https://arxiv.org/abs/2411.04983 (2024).
20. 20.Bruce, J. et al. Genie: Generative Interactive Environments. Preprint at https://arxiv.org/abs/2402.15391 (2024).
21. 21.Valevski, D., Leviathan, Y., Arar, M. & Fruchter, S. Diffusion Models Are Real-Time Game Engines. In International Conference on Learning Representations (ICLR 2025). arXiv:2408.14837 (2024). https://arxiv.org/abs/2408.14837
22. 22.Yang, S. et al. Learning Interactive Real-World Simulators. Preprint at https://arxiv.org/abs/2310.06114 (2023).
23. 23.Agarwal, N. et al. (NVIDIA). Cosmos World Foundation Model Platform for Physical AI. Preprint at https://arxiv.org/abs/2501.03575 (2025).
24. 24.Ali, A. et al. (NVIDIA). World Simulation with Video Foundation Models for Physical AI. Preprint at https://arxiv.org/abs/2511.00062 (2025).
25. 25.Hu, A. et al. GAIA-1: A Generative World Model for Autonomous Driving. Preprint at https://arxiv.org/abs/2309.17080 (2023).
26. 26.Russell, L. et al. GAIA-2: A Controllable Multi-View Generative World Model for Autonomous Driving. Preprint at https://arxiv.org/abs/2503.20523 (2025).
27. 27.Wiedemer, T. et al. Video models are zero-shot learners and reasoners. Preprint at https://arxiv.org/abs/2509.20328 (2025).
28. 28.Hao, S. et al. Reasoning with Language Model is Planning with World Model. In Proceedings of the 2023 Conference on Empirical Methods in Natural Language Processing (EMNLP 2023). arXiv:2305.14992 (2023). https://arxiv.org/abs/2305.14992
29. 29.Chae, H. et al. Web Agents with World Models: Learning and Leveraging Environment Dynamics in Web Navigation. In International Conference on Learning Representations (ICLR 2025). arXiv:2410.13232 (2024). https://arxiv.org/abs/2410.13232
30. 30.Zhang, N. et al. LLM-Based Exogenous World Modeling for Dynamic Scheduling. Preprint at https://arxiv.org/abs/2610.29308 (2026).
31. 31.Song, X. & Cai, Z. When Do Causal World Models Help Modular LLM Agents. Preprint at https://arxiv.org/abs/2610.00012 (2026).
32. 32.Ni, J. et al. From Single-Actor Environments to Multi-Actor Event Worlds: Can LLMs Be Event World Models? Preprint at https://arxiv.org/abs/2610.30488 (2026).
33. 33.Han, J. et al. From Economic Agents to Agentic Economies: A Systems Blueprint for Economic World Models. Preprint at https://arxiv.org/abs/2608.06020 (2026).
34. 34.Jena, G. et al. Do World Models Make Better Robots? A Survey of Evaluation Benchmarks for Predictive Embodied Intelligence. arXiv preprint arXiv:2609.29669 (2026). https://arxiv.org/abs/2609.29669
35. 35.Motamed, S. et al. Do generative video models understand physical principles? Preprint at https://arxiv.org/abs/2501.09038 (2025).
36. 36.Cheung, J. & He, Z. One-Step Prediction Fidelity Is a Poor Proxy for Planning Performance in JEPA World Models. Preprint at https://arxiv.org/abs/2610.19375 (2026).
37. 37.Lambert, N., Amos, B., Yadan, O. & Calandra, R. Objective Mismatch in Model-based Reinforcement Learning. In Proceedings of the 2nd Conference on Learning for Dynamics and Control (L4DC), PMLR 120, 761–770. arXiv:2002.04523 (2020). https://arxiv.org/abs/2002.04523
38. 38.Ran, M. et al. Model What Matters: Decision-Guided Selective World Modeling for Language Agents. Preprint at https://arxiv.org/abs/2610.19642 (2026).
39. 39.Bar, A. et al. Navigation World Models. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR 2025). arXiv:2412.03572 (2024). https://arxiv.org/abs/2412.03572
40. 40.Alrasheed, A., Azam, B. & Akhtar, N. The Planning Limits of Latent World Models. Preprint at https://arxiv.org/abs/2609.39235 (2026).
41. 41.Kang, B. et al. How Far is Video Generation from World Model: A Physical Law Perspective. In International Conference on Machine Learning (ICML 2025). arXiv:2411.02385 (2024). https://arxiv.org/abs/2411.02385
42. 42.Meng, F. et al. Towards World Simulator: Crafting Physical Commonsense-Based Benchmark for Video Generation. Preprint at https://arxiv.org/abs/2410.05363 (2024).
43. 43.Bansal, H. et al. VideoPhy: Evaluating Physical Commonsense for Video Generation. Preprint at https://arxiv.org/abs/2406.03520 (2024).
44. 44.Duan, H. et al. WorldScore: A Unified Evaluation Benchmark for World Generation. In Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV 2025). arXiv:2504.00983 (2025). https://arxiv.org/abs/2504.00983
45. 45.Li, D. et al. WorldModelBench: Judging Video Generation Models As World Models. Preprint at https://arxiv.org/abs/2502.20694 (2025).
46. 46.Wang, S. et al. GAUGE: A Measurement-Grounded Benchmark for Physical Fidelity in Simulation Engines and Video World Models. Preprint at https://arxiv.org/abs/2608.05948 (2026).
47. 47.Hu, L. et al. WMEval: Evaluating Interactive World Models Grounded on Physical Simulations. Preprint at https://arxiv.org/abs/2610.33894 (2026).
48. 48.Duan, H. et al. WorldOracle: Benchmarking Action-Conditioned World Models against Real-World Executions. Preprint at https://arxiv.org/abs/2610.18826 (2026).
49. 49.Zhou, N. et al. WorldMemBench: A Comprehensive Benchmark for Memory of Video World Models. Preprint at https://arxiv.org/abs/2610.19063 (2026).
50. 50.Ding, K. et al. PlayWorld: Benchmarking World Models with Agent Players over Long-Horizon Objectives. Preprint at https://arxiv.org/abs/2608.13552 (2026).
51. 51.Zhang, Z. et al. WorldFailBench: Do World Models Understand Policy Failures? Preprint at https://arxiv.org/abs/2610.33565 (2026).
52. 52.Chen, W. et al. World Agent: Can Language Models Keep a World Running? Preprint at https://arxiv.org/abs/2609.32692 (2026).
53. 53.Gonuguntla, A. The Replay Gap: Static Evaluation of Model Switching in LLM Agents Scores the Wrong World. Preprint at https://arxiv.org/abs/2608.08239 (2026).
54. 54.Che, X. et al. Does Learning to Predict the World Help Agents Act? Auditing World-Model Post-Training. arXiv preprint arXiv:2609.33335 (2026). https://arxiv.org/abs/2609.33335
55. 55.Wang, J. et al. Steering Black-Box Large Language Model Agents with Pitfall Anticipation World Model. Preprint at https://arxiv.org/abs/2610.29139 (2026).
56. 56.Lin, W. et al. DreamGuard: Efficient Runtime Guardrail for LLM Agents via Risk-Aware World Model. Preprint at https://arxiv.org/abs/2608.05695 (2026).
57. 57.Wang, Z. et al. Agent World Model in the Wild: Computer-Use Agent Environment Synthesis. Preprint at https://arxiv.org/abs/2610.26828 (2026).
58. 58.Zhu, H. et al. Dual-Frontier: When Can an Agent Trust Its World Model? Preprint at https://arxiv.org/abs/2609.26293 (2026).
59. 59.Li, S. et al. TAO: Tool-Aware Joint Scheduling for LLM-Based Agentic Serving. Preprint at https://arxiv.org/abs/2610.37230 (2026).
60. 60.Imas, A., Koh, A. & Legg, S. The Economics of Intelligence: How and when does AGI lead to economic transformation? DeepMind Institute Essay (2026-10-29) (2026). https://institute.deepmind.com/essays/the-economics-of-intelligence/
61. 61.Cheng, D. et al. CoWorld Reasoner: Agentic Multimodal Reasoning with the Evolving Video World Model-Driven Harness. Preprint at https://arxiv.org/abs/2610.21910 (2026).
62. 62.de Haan, P., Jayaraman, D. & Levine, S. Causal Confusion in Imitation Learning. In Advances in Neural Information Processing Systems (NeurIPS 2019). arXiv:1905.11979 (2019). https://arxiv.org/abs/1905.11979
63. 63.Janner, M., Fu, J., Zhang, M. & Levine, S. When to Trust Your Model: Model-Based Policy Optimization. In Advances in Neural Information Processing Systems (NeurIPS 2019). arXiv:1906.08253 (2019). https://arxiv.org/abs/1906.08253
64. 64.Su, Y. et al. Graph World Models for Constrained Epidemic Policy Planning. Preprint at https://arxiv.org/abs/2609.35545 (2026).
65. 65.Resani, H. & Shi, J. Q. Do-JEPA: From Masking to Intervention in Latent World Models. Preprint at https://arxiv.org/abs/2609.37378 (2026).
66. 66.Jeon, M., Cho, S. & Suh, J. Y. A JEPA Recipe for Tabular Foundation Models. Preprint at https://arxiv.org/abs/2609.25541 (2026).
67. 67.弘犀智能科技（深圳）有限公司 (Great Unicorn Intelligence). 企业智能体平台 · Harness 治理引擎 / Enterprise Agent Platform · Harness governance engine. Official website (2026). https://www.hxallai.com/platform/agent/
68. 68.弘犀智能科技（深圳）有限公司 (Great Unicorn Intelligence). 推训一体大模型平台 Deep Hope S1 / Deep Hope S1 unified inference–training LLM platform. Official website (2026). https://www.hxallai.com/platform/deep-hope/