课程进度 课程大纲 已发布 48/48 课
第 0 部分——阅读指南：我们究竟要学什么？
第 1 部分——世界模型：智能体内部的沙盒
第 2 部分——把图像变成状态：LeWM 架构
第 3 部分——防止模型作弊：预测损失与 SIGReg
第 4 部分——让模型行动起来：在潜在空间中规划
第 5 部分——工程复现：从论文到可运行系统
第 6 部分——LeWM 究竟学到了什么？
第 7 部分——为什么“预测准确”仍可能“规划很差”
第 8 部分——从复现者到研究者
附录
先看全景
- 当前开始滚动展开
- 动作形成候选未来
- 目标在终点等待
- 排序CEM 逐步改进计划
一个小故事
世界模型已经从无奖励的观测—动作旅程中学完一本地图集。现在，一位旅行者带着当前照片和目的地明信片到来。地图集可以预测后果，但预测本身没有偏好；明信片为它提供了偏好。
潜在地图集仍可能扭曲墙壁、方向、时间和数据支持范围。目标图像不是成功检测器，不是路线，不是训练时使用的奖励，也不能证明目的地可达。
技术背包
当前观测与目标观测使用同一个冻结视觉编码器，因此可以比较二者的坐标。但它们的角色仍然不同：
current history -> initial condition for dynamics
candidate actions -> controls for dynamics
goal image -> terminal comparison only固定当前历史和候选动作，只交换目标时，基准滚动展开不能发生变化；只有它们的排名应当改变。目标的预处理、摄像机、环境和支持范围仍需符合检查点的输入契约。共享编码器无法修复不匹配的裁剪或归一化。
CEM 对时域 H 上的完整动作序列进行采样。每个候选序列都从同一当前潜在历史出发，并接收各自的动作。冻结预测器以自回归方式展开每个序列。基准模型输出潜在 token，而不是视频；它只提供一条确定性路径，没有经过校准的置信度。
对于每个候选序列，冻结准则取最终预测潜在状态并计算：
J(a0:H-1) = sum_d (z_hat_H[d] - z_goal[d])^2只有终端 token 会被评分。目标中没有显式的墙壁、碰撞、中间安全、控制消耗、路线长度或支持范围惩罚。平方欧氏距离在学完表征后计算便宜且不需要参数；但从定义上说，它并不是可达性。
CEM 选取低代价样本作为精英，并重新拟合动作提议分布。“最佳”始终只表示：在这个冻结模型、终端代价、有限样本和已记录的求解器约定下最佳。附录 B 的文字描述返回最终提议分布均值；算法 2 也允许返回最佳样本，或均值序列的第一个动作。LeWM 仓库的外部求解器版本没有锁定，因此精确复现必须记录它。
所以，无奖励训练和目标导向行动并不矛盾：动力学学习不使用任务奖励；之后在推理时，目标函数告诉搜索应该偏爱哪个想象未来。
容易骗过我们的把戏
让一个固定候选群体只滚动展开一次，然后在三张有数据支持的目标图像之间切换。终端潜在状态必须保持不变，而代价排序应随之改变。如果滚动展开也发生变化，说明目标泄漏进了动力学，或随机性没有固定。
现在使用一个不可能或数据支持不足的目标。每个候选仍会得到一个数值；若没有显式的弃权规则，CEM 仍会返回计划。能够数值排序并不意味着可行。
协议细节可以主导结果。LeWM v1/v2 使用 TwoRoom 目标偏移量/预算 100/150；当前 v3 将其修订为 25/50，与仓库在这两个字段上的设置一致。一项独立审计报告称，同一组发布权重在两种协议解读下分别得到 14% 和 84%。在一项配对比较中，将目标改为每个回合记录中的最终目标，并把预算设为 150 步，会使 84% 变为 8%；由于目标构造和预算都发生了变化，这不是单变量因果结果。
证据凭据
LeWorldModel v3、冻结的 jepa.py 和 eval.py，支持冻结模型的目标图像规划和终端潜在代价。
沿用同一系统的 Research Frontier 后续工作 arXiv:2608.12959v1 报告称，在一条 TwoRoom 证据链中，终端潜在 L2 会随真实距离增加先饱和，随后反而下降；替代目标也会改变行为。它并没有为原始 LeWM 添加可达性头，也没有建立通用修复方案。
快速检查
- 哪两个输入会进入动力学，哪个输入只进入代价函数？
- 为什么不可达目标仍然会产生一个 CEM 计划？
- 只交换目标明信片时，什么应当保持不变？