世界模型这四个字，现在有点被用滥了

前几天刷到北京人形机器人创新中心那条动态，天工开源计划里挂了个 WoW，叫具身世界模型。我盯着那段描述看了两遍，统一感知、决策与预测，赋能真实世界中的机器人。词都对，就是读完之后我说不出它到底交付了什么。

我最近在做一套机器人状态面板的视觉规范，两个月前开始碰深度学习相关的东西，对「模型能力」这四个字已经有点免疫了。凡是宣传语里出现「统一」的，我都会先去找它的边界写在哪。

结果没找到。

他们官网那段介绍我翻来覆去看，能看到的是具身世界模型驱动数据扩增生成，能看到合作交流入口。看不到的是这东西输入什么、输出什么、在什么条件下会失效。我搜了一圈评测，倒是有个 WoW-World-Eval 的基准，专门测视频基础模型在具身场景里的表现，论文里提到当前视频生成模型生成的画面视觉上挺好看。好看这个词很微妙。做设计系统的人对「好看」最警惕，因为好看和能用之间隔着空状态、报错态和极限输入。

我上周写过一篇关于演示态和交付态的帖子，观点没变。机器人领域的视频demo和设计稿里的高保真原型是同一种东西，都是把最顺的那条路径演给你看。PelicanVLM 这类世界模型真正的价值，应该体现在它规划失败时怎么回退，而不是生成一段流畅的预测视频。

判断就一句：现在谈具身世界模型的能力还太早，先把失效边界写进文档，比多放几个漂亮片段有用。

顺便问一句，有没有人真的拿它跑过带干扰的任务，比如光照突变或者目标被遮挡？我挺想知道它那时候的表现。