世界模型：推理时到底要不要想象

一句话判断

SLIM、JEPA-WAM都说别在推理时干活——这篇消融显示：去掉那一步，精化器反而比不精化还差

论文解决什么问题

机器人只知道"该做什么"不够。策略是观测到动作的直接映射，动作会引出什么后果只隐式编码在参数里，执行前没法检查。世界模型理论上能补，但常见用法要么当训练时的辅助信号（推理时撤掉），要么做完整视频生成或多步rollout（对闭环控制太贵）。

核心方法

让策略先出一个动作提案，回灌给冻结的世界模型得到想象后果，用当前状态、想象后果、原始提案三者训一个精化器改写动作。只做一次潜空间前向，不解码画面，不做多步rollout。
三阶段：Stage1学动作条件的世界模型，顺带产出一个跟动作解耦的当前表征——专家、零、随机、打乱四种动作喂进去，输出数值完全相同（差值0.000，余弦相似度1.000）。Stage2在这个表征上出初始提案。Stage3冻结前两阶段，只用策略自己的提案训精化器，训练和推理用同一条数据流。

实验结果

0.8B、零机器人预训练，LIBERO 97.9%，加精化到98.6%，超过多个更大且有预训练的模型。
拆解消融最说明问题：去掉想象未来分支，掉到97.2%——比不精化基线97.9%还低。去掉提案分支（能看到未来但不知道是哪个动作导致的），掉到96.0%。两个分支都不是装饰。
1步去噪和5步相当（98.8对98.4），耗时从45ms砍到25ms。

这篇论文不是什么

增益真实但温和不均匀：LIBERO-Plus零样本下Language、Light两项反而略降。精化后潜变量保真度只涨了SSIM 0.0042、降FID 0.01，作者自己说不足以证明因果，具体机制留给后续研究。当前只在动作块边界精化一次，块内没有闭环，作者列为未来方向。

对机器人 / 世界模型 / VLA 的启发

这篇的核心主张跟SLIM、JEPA-WAM、TacWAM那整条阵营正面对立——那边说世界模型只该在训练时干活，部署时该撤干净；这篇说推理时仍要留一步，只是压到最便宜。它自己的消融给了硬证据：拆掉想象分支，精化器比不精化还差，不是持平。

但它另一半设计又站到了对手那边：当前表征和候选动作解耦这件事，它做了全库最干净的验证——这种"把辅助信号结构性隔离"的手法，跟TacWAM、JEPA-WAM共享主干那条思路是同类设计，只是隔离对象不同：那边隔离整个未来分支，这篇只隔离当前状态，留一条极轻的想象通道。争论不是要不要世界模型，是隔离到哪一层。

另有一条重复的模式：精化后保真度指标只涨一点点，作者不敢下因果结论——这是SLIM、omega-0之后，第三次看到"预测指标变好"和"控制真的变好"不能画等号。

半年后回看的锚点：块内闭环精化如果做出来，能不能把现在0.7到2.2个点的温和增益放大到量级级；做不出来，说明单次极轻量想象步的天花板就在这附近。

论文关键页