从像素复刻到行动控制：具身世界模型的底层逻辑探索

文章探讨了具身世界模型与通用世界模型的本质区别，核心观点是具身世界模型不应追求像素级复刻，而应以“控制充分状态”为核心，以降低行动代价为目标。文章系统阐述了开悟世界模型的设计哲学：通过“理解-生成-预测”一体化架构，将视觉、语义与动作预测统一于共享状态中；引入“反事实闭包”概念打造多动作分支推演能力；采用跨具身课程学习策略，按干预强度分层利用开放世界视频、人类行为与真机数据，以学习动作与结果的因果性；借鉴神经科学设计混合时序记忆体系应对多时间尺度控制；并提出了“控制信息密度”标尺，强调边界失败与恢复数据的高价值。