[论文] 报得分毫不差的预言家，输给了一枚硬币

🎯 五枚硬币，与八个数据集

0.5。

一枚硬币抛向空中，落在正面或反面。拿它去回答任何一个是非题，答对的期望概率是百分之五十。这是全天下最廉价的基准线：不用训练，不用数据，不用关于世界的任何知识，甚至不用脑子。

现在看一个认真训练出来的东西。时序世界模型——Time Series World Model，TSWM——吃进三样东西：观测历史、计划动作、外生输入，吐出一种东西：受控系统未来状态的预测。打个比方，它的考场是这样一个系统：重症监护室里的病人，或者一座数据中心的冷却回路。它有状态（血压、温度），有你可以施加的动作（给药、调设定点），还有你管不了的外生输入（天气、客流）。模型要做的，是推演"在这些条件下，接下来会发生什么"。

论文在八个公开数据集上搭了考场。数据来自工程基础设施和临床护理，动作全是真实系统里被人施加过的真实动作。七个骨干模型，乘以五个随机种子，再扫过三条设计轴——预测空间、计划融合、计划编码——每个配置都先把预测误差压到尽可能低。

然后发下来一张考卷，考卷上只有一类题：已知方向题。

医学常识说，升压药 vasopressor 会升高血压。这是"已声明的机制"——方向是领域先验，不需要论文去发现，更不需要模型去猜测。检验方式朴素得像在抽查作业：把计划动作往"加药"的方向挪一点，看模型预测的状态是否朝"血压升高"的方向动。动了，得分；不动，或者反着动，扣分。

五枚硬币排开。在 5 个拥有已声明机制的数据集上，误差最低的那个配置，有 4 个的得分处于——甚至低于——抛硬币的水平。

而这不是某个角落里的偶然事故。把所有配置摊开看，结论冷得刺骨：没有任何一种设计选择能避免这个分裂。预测误差和机制一致性，是两根各走各的轴。把一根拧到最优，另一根可以纹丝不动，甚至倒着走。

翻译成临床语言，这件事一点也不客气。世界模型正在被用来比较用药方案——"接下来四小时维持剂量"和"接下来四小时梯度加量"，哪一条路径的推演结果更好，模型说了算。而本基准里预测最准的模型，对"升压药升血压"这种写进教科书的方向，答对的次数可能不如一枚硬币。一个连"药往哪边推、血压往哪边去"都答不稳的模型，正被请去为"选 A 方案还是 B 方案"背书。这不是论文的修辞，是这个领域此刻的真实处境。

这篇论文把这件事做成了三部分：一个形式化，一套基准，以及两张配方。下面按这个顺序走。

🧭 世界模型真正的用处，是比较没发生的事

先把 TSWM 拆干净。一个受控系统，状态记作 s，动作记作 a，外生输入记作 e——三者要严格分开，因为它们的角色根本不同。状态是系统的现在，外生输入是系统要忍受的天气，而动作，是系统将要承受的决定。模型读进一段历史、一条未来计划、一路外生输入的假设，输出未来状态的分布。形式化里，动作被分成三种形态：连续动作，比如剂量的刻度；模式动作，比如设备的运行档位；事件动作，比如一次开关、一次切换。真实的系统里三种混着用，所以任何检验都得三种都能落地。

关键的问题不是模型是什么，而是模型为什么存在。

如果动作只是沿着历史的惯性往前走，预测的价值其实很有限——那种事，普通的时间序列预测器就能干，不需要世界模型这块招牌。世界模型真正的用途，是回答"如果"：如果明早把冷却设定点调高两度，机房的温度曲线怎么走；如果下周实施错峰限流，电网的负载峰会不会削平；如果接下来四小时把升压药的剂量梯度加大，平均动脉压能不能拉回来。换句话说，它是一张用来比较的清单：把几个尚未执行的计划并排摆上去，逐条推演，看哪一条的结果更好，然后挑一条执行。

planning 的全部意义就在这里。任何真正要紧的部署——临床决策支持、基础设施控制——做决定的方式都是"比较几个还没做的选择"，而不是"复述将要发生的事"。模型被请进这些场景，身份是参谋：不亲自拍板，负责把每条候选路线的推演结果摆到桌面上。

这就把评价标准逼到了一个尖锐的位置。既然模型的本职是比较未执行的计划，那么考核它，就得考核它对"计划变更"的响应。它答"会发生什么"答得再准，也只是完成了一半的本职——而且是相对容易的那一半。

🕳️ 只考"发生过的事"，永远考不出"假如"

现有的做法是什么样？拆开看，简单到近乎随意：把动作当协变量，和状态历史、外生输入拼在一起，喂给一个预测器；训练目标是在已执行的计划上把预测误差（MAE）压下去；评估标准，还是这个 MAE。

问题在于数据从哪来。训练数据是系统日志：医生实际上开了什么药，运维实际上做了什么操作。换句话说，每一个训练样本都是"历史照原样走下去"的样本。模型在这种数据里学到的是拟合的艺术——世界照这样运转时，接下来会发生什么。至于世界"假如不这样运转"时会怎样，数据里一次都不出现，损失函数一次都不问。

打个比方。一位天气预报员，温度报得极准，历史同期的误差全场最低，颁奖都不带犹豫的。你问他："如果明天实施人工降雨，气温会怎么变？"他说，上升。你换个日子再问，他说，下降。再问，又上升。方向完全随机，随机得很有职业道德。为什么？因为他只学过拟合发生过的事——训练集里每一天的天气，都是"没有人工降雨"的天气。他从未被问过"假如换个做法"。方向感不是误分的赠品，不会因为你报得够准就自动长出来；它是要单独学、单独考的东西。

更麻烦的是，拟合不但不奖励方向感，有时候还公开奖励它的反面。升压药这个例子里藏着经典的混淆：医生开升压药，往往正是在血压往下掉的时候——药是给最危险的病人上的。于是观测数据里，"药量"和"血压"的相关可以是弱的，甚至是反的。一个纯粹以误差为目标的模型，完全可以吃下这块捷径：在观测分布上它是对的，甚至是有预测力的；翻译成干预语言，它是错的——把药加上去，血压不会降。这一层错，在只考已执行计划的评测里，一次也不会暴露。误差越低，越说明这套捷径吃得干净。

这就是"只看预测误差"漏掉的那一层：误差度量的是拟合已经发生之事的精度，而世界模型的工作对象，是那些没有发生的事。一个评测从来没有挪动过计划动作，它就永远测不到模型对计划变更的响应——而那个响应，恰恰是模型被造出来的理由。

🧪 机制一致性：给"假如"出一张考卷

缺考的东西，要补考。论文给出的补考科目叫机制一致性（mechanism consistency），定义朴素得不像一个学术概念：对某些动作—状态关系，领域已经声明了方向——升压药升血压，是医学常识；阀门开大流量升，是工程常识。检验方式就一步：把动作往声明的方向移动一点，看预测的状态是否朝声明的方向变化。朝了，一致性；没朝，甚至反着走，不一致。没有假设检验的烟火气，就是把"假如换个做法"第一次变成了可以打分的题。

要注意这张考卷的知识论地位。它不是因果发现——它不要求模型从数据里找出未知的因果箭头；它是因果核对——它要求模型别在已知方向上犯糊涂。像期末考试的监考老师，不发明题目，只核对这一步推导的方向对不对。这个定位看似保守，实则锋利：一门学科里能被教科书级别的常识点名的方向，是最低限度的及格线。连及格线都守不住的模型，谈论它在更复杂的干预上表现如何，是没有起跑线的。

而且这张考卷不挑题型。连续动作、模式动作、事件动作，三种形态的机制都要能被检验——因为真实系统的干预从来不是单一口径：调的是剂量刻度，切的是运行档位，触发的是离散事件。形式化把三种动作分开建模，检验就得三种都落地，这一点论文做得非常工程。

把考卷设计好，下一步是把考场搭出来。八个公开数据集，七个骨干模型，五个随机种子，三条设计轴——这场考试的规模，值得单独说清。

🔬 八个数据集，与一场无法回避的分裂

考场的地基：8 个公开数据集，来自工程基础设施和临床护理，动作全部是真实系统里真实施加过的。7 个骨干模型，5 个随机种子，每一个组合都在三条设计轴上被系统扫过。

三条轴值得逐一说清，因为它们就是从业者日常纠结的旋钮。第一条，预测空间：模型在观测空间直接预测未来，还是在潜空间里预测、再解码回观测？第二条，计划融合：计划动作从哪一侧进模型——输入侧，和历史拼接在一起；还是输出侧，在生成预测的时刻用门控的方式融进去？第三条，计划编码：计划的时间结构——什么时候做什么——怎么被表示进模型？第三条轴后来被证明最不重要，对结果的影响不超过 2.2%，基本可以闭着眼睛选。真正起作用的，是前两条。

于是每个配置都有两个分数：一个预测误差，在已执行的计划上算；一个机制一致性，在已声明的机制上算。然后，看这两个分数的关系。

结果就是那个让人坐不稳的分裂：预测误差最低的配置，在 5 个有声明机制的数据集上，有 4 个的机制一致性处于或低于随机水平。注意是"最低误差配置"——所有配置里拟合得最漂亮的那一个。而分裂的另一半同样重要：扫遍三条设计轴的全部选择，没有任何一种组合能天然免疫。换骨干没用，换种子没用，换融合方式没用。

回到那位天气预报员。他在所有历史天气的考试里都是第一，人工降雨的问题一道没对；你以为换个学校培养他就行了，换了七所学校、五个老师、三种教学法，他照样一道没对——因为他的备考方式里从来就没有这种题。题不出现在考纲里，分就不会长在脑子里。

这个分裂背后是一条更深的解耦。误差度量的是"拟合已经发生之事的精度"，这是一道函数逼近题，逼近得够细就能赢；一致性度量的是"对未执行计划的响应方向"，这是一道因果结构题，要求模型内部的关系摆对。而拟合这道考题，不奖励因果结构——捷径相关更省力气，误差更低。两根轴之间，本来就没有任何先验的桥梁。

那么问题来了：既然准确性这条轴还能再拧，就把它拧到头。论文的第一张配方，管这个。

🧰 第一张配方：把误差再压低一截

先说结论，再拆理由。从三条轴的扫描里，论文提炼出准确性配方，每一条都有数字背书：

在预测空间这一侧，冻结潜空间预测（frozen latent prediction space）——在潜空间里做预测，再解码回观测——比直接在观测空间预测，平均 MAE 降低 9.9%。在计划融合这一侧，门控输出融合（gated output fusion）——把计划动作放到输出侧，用门控机制融进预测——比输入侧拼接，MAE 降低 12.7%。两者不互斥，叠加使用，并且在全部 8 个数据集上都稳定改善。至于计划编码，影响不超过 2.2%，工程上随便选，别在上面浪费调参的预算。

理由可以这样读。观测空间是脏的：传感器噪声、环境扰动全糊在上面，直接在那里做预测，等于让模型一边学动力学一边擦桌子。潜空间把系统压成紧凑的内部表示，预测在干净桌面上进行，这是 9.9% 的来源。而门控输出融合的优越性在说另一件事：动作的影响，本应在"未来怎么演化"里体现，而不是在"过去怎么编码"里硬挤进去。输入侧拼接逼着模型在读取历史的那一刻就把动作嚼碎吞掉，可动作的意义恰恰在将来才展开；输出侧融合让动作在预测的出口处发力，门控决定它什么时候开口、开多大口，这是 12.7% 的来源。

但请记住这张配方管的是什么：它只把误差这根轴拧得更低。它对一致性那根轴的立场是——不闻不问。事实上这正是分裂发现的另一面注脚：你把拟合调得再漂亮，方向该错还是错，因为没有任何一个旋钮把"对计划变更的响应"纳进目标。误差降 12.7% 的世界模型，面对"加药之后血压往哪走"，依然可以面不改色地答错方向。

准确性这条腿，论文给得很足。但只靠这条腿走路的世界模型，就是开头那个输给硬币的配置。另一条腿，得换一门完全不同的手艺。

🧭 第二张配方：给方向上一道保险

方向性监督（directional supervision）的思路，一句话就能说清：既然一致性缺考是因为没人给它出题，那就把题出进损失函数里。

具体做法：按已声明的方向对动作做一个小偏移——往"加药"那边挪一点——然后看模型预测的响应。响应里符号正确的那部分，不动；符号错误的那部分，单独惩罚。也就是说，模型从此背负双重身份：它不但要对"发生过的事"拟合得好，还要对"假如换个做法"答对方向——答错了符号，就付代价。MAE 那道旧题照考，新题加进来，两门都算分。

结果干净得让人意外：在受罚的机制上，一致性显著提升；同时，MAE 不变。两个指标第一次不再互搏。前面说过，准确性配方的所有改进都碰不到一致性；而方向性监督证明了一件事——一致性也不需要拿准确性去换。两根轴可以被同时拧紧，前提是给第二根轴单独配扳手。

为什么 MAE 几乎不动？从约束的性质可以读出答案：方向性监督只在动作偏移的邻域里约束响应的符号，是一个局部的、轻触式的修正，不要求模型重塑整个预测面。它把模型在那个邻域里扳正方向，其余部分的拟合原封不动。监督的代价近乎为零，而这恰恰说明此前的一致性缺失近乎免费可修——缺的从来不是能力，是题目。

两张配方合起来，才是这篇论文给从业者的完整答案：准确性靠冻结潜空间加输出侧融合，机制一致性靠方向性监督目标。两条腿各管一根轴，缺一条，模型就瘸一边。回到天气预报员：方向性监督相当于给他开一门人工降雨情景的必修课——考不过，不准上岗。从此他的温度依然报得极准，但"假如换个做法"的答案，不再是硬币替他抛的。

当然，任何配方都有边界。这张考卷能考什么、不能考什么，值得一份诚实的负面清单。

⚠️ 负面清单：这张考卷能管多宽

第一，机制一致性只在"已声明方向"处可考。它是一张抽查卷，不是全量因果审计：没有声明方向的机制，一致性无从打分。所以一致性分数提高，不等于模型整体变因果了——只等于它在被抽查的那几个方向上，响应是对的。把分数读成"模型懂机理"的整体证书，是新一轮的高估。

第二，方向性监督只修被罚的机制。论文里它的成绩表写得很清楚：在受罚机制上显著提升一致性，没被点名的机制照旧。修复的覆盖面，取决于你肯为多少条已知机制出考卷。于是"已声明方向的清单"成了新的工程资产，也成了新的责任清单：每漏一个方向，那个方向上就依然裸奔着一个方向性可能不如硬币的模型。在临床场景里，这份清单该由谁维护、维护到什么粒度，不是技术问题，是制度问题。

第三，分裂无法用架构选择绕开。三条设计轴扫完，没有任何一种搭配天然免疫——一致性不是免费搭车的，它必须被写进目标函数。这条"坏消息"其实省掉了从业者大量的纠结：不用再幻想换某种融合方式能顺便换来因果，反正都不能；真正该检查的，是评估管线里有没有方向测试这门科目。

第四，考场的规模。8 个数据集、7 个骨干、5 个种子，覆盖工程基础设施与临床护理——作为基准足够扎实，但"没有任何设计选择能避免分裂"毕竟是在这个考场上得出的结论。把结论推广到一切受控系统之前，这张考卷值得在更多考场发一发：更多领域、更多动作形态、更多机制声明。考卷本身也需要被考试。

清单列完，地图反而更清楚：这门课不是选修，是必修；但它修的是"别在已知方向上犯糊涂"，而不是"通晓一切因果"。这个分寸感，恰恰是它可信的原因。

🌐 影响：给上岗考试加一门科目

第一层影响在最直接的地方：临床决策支持。世界模型被用来比较用药方案，这不是假想，是正在发生的部署方式。本研究给出的信息再明白不过——误差排行榜第一的模型，方向性可以不如硬币。那么任何一个用世界模型给方案排序的系统，上线前的考试里必须加上干预方向测试：在已声明的医学方向上，抽查模型对动作偏移的响应。这几乎不增加数据成本——不需要新数据，只需要把已有的模型挪一挪、问一问——它增加的是一条评估纪律。而纪律，恰恰是这个环节现在最贵的东西。

第二层影响在所有"比较未执行计划"的下游。planning、what-if 分析、方案寻优——这些调用世界模型的方式天然是干预式的：把动作改一改，看结果往哪走。这样的调用一旦落在一个一致性不高于随机的模型上，输出的排序就是抽签。而预测误差，是这张抽签的隐形外衣：它太体面了，体面到让系统设计者忘记去问方向。这篇论文做的事情，本质上是把那层外衣扒下来。

第三层影响在评测方法论本身。MAE 从"充分标准"降级为"必要标准"。一个严肃的世界模型评测协议，从今往后应该同时报两根轴：拟合精度，与机制一致性。这听起来是额外的负担，其实是迟到的补课——模型的本职是比较计划，而旧协议从头到尾没考过这个本职。加一门科目不是吹毛求疵，是把考纲对齐到岗位说明书。

往更深看一眼，这件事呼应的是整个领域对"世界模型"三个字的重新定价。世界模型的卖点从来不是预测，是干预式的想象；可当想象的公平性从未被测量时，卖点就还停留在广告词阶段。方向测试把广告词变成可验收的条款——这是从"宣称"到"交付"之间，最便宜也最值得付的一笔钱。

🗺️ 三层地图，至此完工

这是「能力地图的三层」系列的第 3 篇，收官的一篇。

第 1 篇 Mingbird（arXiv 2610.02001）画的是潜能层：能力不是不存在，而是被困在坏脚手架里，换一个 harness，四十八倍的能力原地解锁。第 2 篇 Jev（arXiv 2610.01834）画的是边界层：评价不等于模拟，能力有硬边界，让代码拥有模拟，让模型拥有评价。这一篇画的是幻觉层：看起来会的能力，可能压根不存在——预测最准的世界模型，在"升压药升血压"的方向上，5 个数据集里有 4 个输给一枚硬币。

三层叠在一起，一张完整的地图浮出水面：有多少能力是被困住的，交给脚手架工程去解锁；有多少能力是有硬边界、该让位给代码的，交给架构分工去安置；有多少能力是看似存在实则幻觉的，交给机制审查去拆穿。三处病灶，三种处方，恰好各管一层，互不替代。

地图完工，不等于路好走。恰恰相反——它标出了三处最容易让人以为自己已经在走路的地方：换个脚手架就以为能力见顶，让模型越界去模拟就以为边界不存在，预测误差一低就以为机理已懂。这份清醒，是这三篇论文合起来留给从业者的真正资产。记住那个数字：0.5。下次看到一个漂亮的世界模型演示，先问一句——它比硬币强多少。

📚 参考文献

• Haochen Zhang, Jiaheng Guo, Zhen Xu, et al. On the Divergence of Accuracy and Mechanism Consistency in Time Series World Models. arXiv:2610.01842, 2026.