这类诊断工具最怕两件事：一是只是“挑了个刚好能讲故事的 checkpoint”，二是结论其实是训练设置的副作用。论文在这两点上补得比较认真。首先，作者做了不同想象地平线的检验，说明动态签名不是短视噪声，而是要等到足够长的时程才会显现；其次，又做了 actor 训练地平线消融和域随机化控制，尽量排除“因为 actor 训练方式不同，所以看起来模型不敏感”的嫌疑。这种多角度的验证策略，确保了诊断结论的稳健性——它不是某个特定训练配置下的偶然现象，而是世界模型架构本身的系统性缺陷。图4：行为者训练地平线消融。把 actor 重新训练到和测量地平线一致之后，iKCE 的摩擦平坦性仍然存在。这个结果说明，问题不只是“actor 训练得太短”，而是世界模型的想象结构本身就偏向运动学延拓。在强化学习中，actor（策略网络）的训练地平线会影响它利用世界模型的方式：如果actor只在短地平线上训练，它可能不会要求世界模型提供长时程的准确预测。但消融实验表明，即使将actor的训练地平线延长到与测量地平线一致，世界模型的运动学偏置仍然存在。这说明问题出在世界模型本身，而不是actor的训练方式。图5：域随机化控制。即便训练时就让摩擦在更宽范围内随机变化，世界模型对摩擦边界依旧不敏感，而真实物理侧仍然保持负斜率。这个控制很有分量，因为它说明结论不是“模型没见过这种摩擦”，而是“见过也没学会把它当成动力学条件”。域随机化是机器人学中常用的技巧，通过在训练过程中随机化物理参数，期望模型学会对这些参数的变化具有鲁棒性。然而，实验结果表明，即使摩擦系数在训练过程中被随机化，世界模型仍然没有学会将摩擦作为一个影响状态转移规则的因素来表征。这暗示了当前的世界模型架构可能缺乏一种机制，来将物理参数与状态转移函数的学习显式地关联起来。图6：逐步骤 iKCE 结构。真实物理会在接触事件位置出现尖峰，而世界模型则表现为一小段编码器-解码器瞬态之后接上平滑尾巴。这个“先抖一下、后面一路顺滑”的形态，几乎就是运动学续写的签名。在真实物理系统中，每次脚底与地面的接触事件都会引起关节力矩和加速度的突变，这些突变在状态空间中表现为轨迹的“拐点”，从而导致iKCE出现尖峰。而世界模型由于没有真正模拟接触动力学，它的想象轨迹会平滑地穿越这些本应出现突变的位置，表现为iKCE的平坦化。这种逐步骤的分析，为诊断提供了更精细的视角：不仅看整体趋势，还能定位到具体哪些时间步上模型暴露了运动学本质。图7：行为者消融下的逐步骤结构。换了 actor 以后，逐步骤形态几乎没变，说明这种平滑尾巴不是某个训练配置偶然“调”出来的，而是模型内部想象方式的稳定特征。这个结果进一步强化了诊断结论的稳健性：无论actor如何训练，世界模型的想象轨迹都表现出相同的运动学偏置模式。这意味着，要解决长时程想象失败的问题，不能仅仅通过调整actor的训练方式，而需要从根本上改进世界模型的架构或训练目标。图8：步态自由度视图。把状态切到步态自由度后，结论仍然成立，说明这不是某个特定状态切片的巧合。换个视角，模型还是平坦；真实物理，还是会在低摩擦区域抬头。步态自由度通常指的是描述行走模式的关键变量，比如支撑相时间、步长、步频等。这些变量直接反映了步态的运动学特征，对物理参数的变化非常敏感。然而，即使在这个更抽象的表示空间里，世界模型仍然表现出对摩擦变化的迟钝，说明问题不是出在状态表示的选择上，而是出在模型对物理参数与状态转移之间关系的建模上。表2：实验设置。这里给出了世界模型、任务、训练步数、后端和 rollout 长度等关键信息。对这类诊断论文来说，实验设置越透明越好，因为结论并不依赖大规模花活，而依赖一套可复现的测量协议。从表中可以看到，实验使用了DreamerV3作为世界模型，在DeepMind Control Suite的walker-walk任务上进行训练，训练步数为500万步，使用Adam优化器，想象展开长度在训练时为16步，在评估时扩展到64步。这些详细的设置使得其他研究者可以精确复现实验，从而验证诊断结论的可靠性。表3：域随机化控制统计。四个世界模型检查点在摩擦分布随机化后依旧保持平坦，而物理侧斜率始终显著为负。这一表格的意义很直接：模型不是“训练得不够广”，而是“广了也没学到动力学边界”。四个检查点分别来自训练过程中的不同阶段，覆盖了从早期到收敛的整个训练过程。即使在训练后期，模型已经见过大量不同摩擦系数的数据，它的想象轨迹仍然对摩擦变化不敏感。这说明，仅仅通过增加数据的多样性，并不能让世界模型自动学会物理参数的因果影响——需要更根本的架构设计或训练目标的改变。这个公式给出了一个很有趣的下界：如果世界模型只是“把运动学预测器套在自己当前状态上”，那 iKCE 会直接变成 0。论文用它来提醒读者：低 iKCE 不是好消息，它可能只是说明模型已经退化成了纯运动学机器。这个下界的存在，使得iKCE的解释需要格外小心：一个非常低的iKCE值，可能意味着模型已经“放弃”了动力学推理，完全退化为一个运动学外推器；而一个适中的iKCE值，则可能意味着模型在尝试进行动力学推理，但由于缺乏物理约束，产生了不自然的偏离。因此，在解读iKCE时，必须结合物理参数扫描实验，看iKCE是否对物理条件的变化有响应，而不能只看绝对值。从工程角度看，这套诊断协议的价值不在于“把分数刷高”，而在于把问题定位得更准。它告诉研发人员：世界模型到底是在表示层出了问题、在短期 rollout 上出了问题，还是在跨物理制度时根本没学到动态条件。这个定位能力，对机器人和自动驾驶都挺实用，毕竟真正上线时，出事的往往不是“平均误差大一点”，而是在边界条件下突然不懂事。例如，在自动驾驶中，当车辆从干燥路面行驶到结冰路面时，轮胎与地面的摩擦系数会发生数量级的变化。如果一个世界模型不能感知到这种物理制度的变化，它预测的车辆动力学就会完全失效，导致规划模块做出危险的决策。iKCE诊断协议能够帮助开发者在部署前就发现这类问题，而不是等到事故发生后才知道模型“不懂事”。
实验合理度：★★★★☆ 摩擦扫描、地平线检验、域随机化和 actor 消融都围绕同一个问题展开，控制做得比较完整。唯一遗憾是实验仍集中在单一任务与单一世界模型族上。未来的工作需要在更多样的任务（如四足机器人、灵巧操作）和更多样的世界模型架构（如Transformer-based world models）上验证诊断框架的普适性。
Finn Rasmus Schafer, Korbinian Moller, Yuan Gao, Christian Oefinger, Sebastian Schmidt, Johannes Betz. Imagined Rollouts Are Kinematic, Not Dynamic: A Diagnosis of Long-Horizon World-Model Failure. arXiv:2607.05966, 2026.项目主页：https://github.com/TUM-AVS/iKCE开源数据：https://huggingface.co/fnc1901/ikce-walker-walk-artifacts
