把一个 world model 放上试验台：在家实测，哪些站得住

在第一部分里， 我们讲了理论：LeCun 为什么押注 world model、JEPA 架构如何工作、 LeJEPA 和 LeWorldModel 两篇论文承诺了什么。这一部分我们做另一件事： 亲手验证。两篇论文都公开了代码和可下载的权重，所以可以验证。 我们按小时租了一块 GPU，拿来作者已经训练好的模型，在两个环境上做了 九个实验。算力总花费：几美元。这篇笔记就是实验记录：哪些站得住， 哪些开始松动，以及我们的测量在哪些地方超出了论文本身。

试验台

两个微缩世界。PushT 是 2D 的：一张俯视的桌子，一只小"手" 把一个 T 形方块推向目标轮廓。Cube 是 3D 的：一个仿真机械臂 （MuJoCo）移动一个立方体。两个环境都有 LeWorldModel 的公开 checkpoint——也就是第一部分说的那个 1500 万参数的 world model：我们 下载下来原样使用，自己零训练，下面所有结果测的都是作者的模型。

工作方法：不轻信任何说法。论文里我们关心的每一个论断，都变成一个 可以运行的实验，我们的数字和他们的数字并排对照。脚本和原始数据都在 我们的工作笔记里，这里只写要点。

第一个问题：它会用自己会的东西吗？

点火测试。我们给模型一张桌子的图像和一张目标的图像，让它真的开局： 每一步它在潜空间里想象几千种动作序列，评估哪一种最终离目标最近， 执行第一个动作，然后重新思考。五十局，规则与论文完全相同。

在 PushT 上它赢了 90% 的对局（论文是 96%，三个训练 seed； 我们只测了公开 checkpoint 这一个 seed——在统计噪声范围内）。在 Cube 上是 70%（论文约 74-84%，从图上读出来的数值；而且 Cube 是唯一 一个对手 DINO-WM 表现更好的环境）。换句话说：实验 setup 站得住，论文 的数字对得上，模型确实会做 planning：起点和目标都是我们随机抽的， 每一局都是新情况。

第二个问题：192 个数字里写了什么？

对模型来说，每一帧就是 192 个数字的列表。问题是：这些数字里写的是 场景的物理，还是只有纹理？测试故意做得很朴素：叫 linear probing。取几千帧，送进模型，然后让一个回归——这是最简单的工具， 故意选它因为它诚实：如果信息以可读的形式在那里，一条直线就能找到 它——从这 192 个数字里猜出方块的真实位置、角度和速度。作为对照， 同样的回归直接从原始像素出发：如果潜表示赢不了像素，说明模型什么也 没提炼出来。

位置确实在，而且近乎完美：在方块位置上，直线读潜表示的 R² 达到 0.95-0.99（1 表示完美猜中），两个世界都是如此，比从像素读更好 （比如 Cube 上的深度距离：0.99 对 0.66）。论文报告的是同一数量级： 确认。

真正的惊喜出现在速度上：从单帧里根本读不出来，就这样。换更 灵活的回归也不行。这不是工具的限制，而是关于模型的事实。因为速度是 位置随时间的差分，模型把它保存在历史里，而不是单帧里：如果把 最近三个潜状态而不是最后一个交给直线，速度就变得可读（R² 最高 0.81）。用一种稍微牵强的说法：模型知道东西在往哪走，但只有你看着它 动，它才告诉你。

第三个问题：它会惊讶吗？

这是给婴儿做的测试：用布盖住一个小球，掀开时球不见了——如果这时 婴儿盯着场景看得比平时久，说明它对世界有所期待（物体不会凭空消失）。 我们的等价版本：让模型跑正常的对局，跑到一半，砰，方块瞬移到 一个不可能的位置。如果模型有预期，它的预测必然恰好在那一刻失败。

确实恰好在那一刻失败。整局都又平又低的预测误差，在瞬移后的一步 出现一个干脆的尖峰，然后立刻回落——模型吸收了新的现实。在 PushT 上， 正常对局和被做手脚的对局分得干干净净（AUC 1.000——1 表示完美区分， 0.5 等于瞎猜：只要给误差设一个阈值，就能造出一个绝无失误的"不可能 事件"探测器）。在 Cube 上信号在，但噪声更大（AUC 0.900）——这也和 整体图景一致：Cube 是模型最弱的环境。

但要注意：预测误差升高，也可能是对任何视觉变化的反应，不一定 针对"不可能"。需要一次决定性检验：一组只在外观上做扰动的对局—— 中途不瞬移方块，只改它的颜色：物理不变，外观大变。结果：模型 连这个也能察觉（AUC 1.000），但幅度分得清清楚楚：正常对局平均误差 0.08，改颜色 0.92，瞬移 2.02。惊讶既不是纯物理的，也不是 纯视觉的：是一种混合，而且偏向正确的一边。

第四个问题：它能做多久的梦？

第一部分提到过的混沌反对意见：模型想象得越远，模拟就应该越偏离现实。 我们来测量：从三个真实状态出发，让模型自主向前做梦十个块——模型以 5 步为一个块来推理，所以是五十个环境步——完全自主：每个预测成为下一个 预测的输入，全程不看现实。然后把梦和真实发生的事情对比。

漂移确实存在：潜空间里的距离稳定增长，论文也承认这一点。但当我们把 潜表示解码成方块位置（用 probing 的那条直线）时，物理误差在整个时间 跨度上保持平稳，而"世界不动"这个平凡预测不断变差：做梦与不 做梦之间的差距每一步都在拉大。想象力会漂移，但在 planning 所需的时间 跨度内保持物理上的一致。说实话：PushT 是一个阻尼很强的世界，混沌本来 就少——正确的度量是与 baseline 的差距，而不是绝对误差。

我们带走了什么

浮现出来的图景是自洽的，而且这一次是我们亲手测的。这个 world model 会做 planning（90%/70%，复现了论文的数字），以可读的形式表示 场景的几何（probing，确认并加强），对不可能事件的惊讶是分级的（我们的 测量，比论文的更干净），它的想象力在有用的时间跨度内站得住（我们的 测量，论文里没有）。裂缝也有，必须说出来：在 Cube 上一切都更脆弱； 速度不住在单帧里；甚至连公开数据集都是截断的——这个细节只有你真正 动手重跑一遍才会发现。

深层的反对意见依然在，这种规模的实验无法了结它：预测得好不等于理解。 但现在我们知道了这个反对意见咬下去的确切位置——动力学、因果、分布外 泛化——也知道继续挖下去的工具，就装在一块几美元租来的 GPU 里。这也许 是整个系列最好的消息：这条前沿，今天坐在家里就能验证。

注释与参考

这是两部分中的第二部分；第一部分讲理论。 被验证的论文：LeJEPA （Balestriero & LeCun，2025）和 LeWorldModel （Maes 等，2026；代码：le-wm， 库：stable-worldmodel）。

方法说明，供想复现的人参考：公开 checkpoint 为 Hugging Face 上的 quentinll/lewm-pusht 和 quentinll/lewm-cube；planning 评估采用与官方 eval 相同的流程（CEM 300×30，时间跨度 5 个块、每块 5 步，目标在 +25 步，预算 50）；Ridge 探针，按 episode 划分；surprise test 通过环境的特权状态实现瞬移。Hugging Face 上的 cube 数据集是截断的 （最后约 12% 的行无法读取）：我们在 Cube 上的结果只用完好的部分。九个 实验都跑在租用的 GPU 上（RTX 4000 Ada / A4500 / A40），算力总成本 几美元。