智能体世界建模：基础、能力、法则与未来

一句话定位

提出 L1/L2/L3 能力层级与四域法则（物理、数字、社会、科学）的二维分类框架，统一跨领域世界建模研究，推动从被动预测到主动演化的范式演进。

小学生也能听懂

这篇论文像给“智能大脑”画了一张成长地图，把它们的预测能力分成三级（L1看一步、L2能干预多步、L3会自己改模型），并指出在不同世界（物理、数字、社会、科学）里该怎么测试，帮大家统一标准，让AI从只会猜变成能主动试错学习。

为什么值得记录

• 解决当前世界建模研究中术语混乱、评估标准不一的问题，提供跨模态、跨领域的统一分析框架
• 明确区分‘预测器’与‘模拟器’的本质差异，强调决策可用性（decision-usable rollout）作为核心判据
• 首次系统梳理 L3 证据驱动模型修订能力，连接模型更新、实验设计与科学发现闭环
• 覆盖超 400 项工作，整合强化学习、视频生成、机器人、Web 智能体、多智能体仿真与 AI for Science 等孤立社区

核心方法

• 提出‘能力层级 × 法则 regime’二维分类法：L1（单步预测）、L2（多步可干预仿真）、L3（证据驱动模型演化）；四域法则包括物理、数字、社会与科学世界
• 定义三类能力的可测试边界条件：L2 需满足长程一致性、干预敏感性、约束一致性；L3 需具备模型修订触发机制与验证闭环
• 构建运行时能力调度视图：同一系统可根据任务需求在 L1/L2/L3 间动态切换，L3 作为治理层而非替代层
• 提出最小可复现评估包（MREP）标准，包含版本锁定、轨迹日志、失败分类、尾部统计与边界条件映射
• 分析不同 regime 下的架构设计权衡，如物理世界侧重低延迟与 sim-to-real，科学世界强调因果结构与假设检验

关键结果

• 绘制 2018–2026 年 70 个代表性系统的能力-时间图谱，揭示从 L1 向 L2 迁移的趋势，L3 仍处于早期探索阶段
• 评估分析显示：现有基准普遍忽视干预敏感性与约束一致性测试，仅 RoboCasa、OSWorld、Sotopia 等少数支持 L2 完整评估
• 发现生成模型常陷‘表面逼真但不可控’困境：视频生成模型在 VBench 物理合规性测试中表现差，WorldModelBench 揭示 14 个前沿模型均存在约束违反
• 提出 O(1) 计算优势理论：学习式世界模型前向传播复杂度不随系统规模增长，优于传统仿真器

局限与风险

• L3 的实际部署案例仍较少，多数系统停留在 L2 或伪 L3（仅参数微调，未改架构）
• 跨 regime 混合系统（如具身智能体同时涉及物理与社会交互）的评估方法尚不成熟
• MREP 标准需社区协作落地，当前工具链仅部分支持其组件

适合沉淀的概念

world-modeling-capability-hierarchy, governing-law-regimes, l2-simulator-boundary-conditions, evidence-driven-model-revision, decision-centric-evaluation, minimal-reproducible-evaluation-package, cross-regime-world-modeling, latent-dynamics-representation

阅读注意

• 重点关注第 2 节对 L1/L2/L3 的形式化定义与边界条件，这是全文理论基石
• 第 4 节按四域分类的 L2 应用分析揭示了不同领域对‘仿真’的差异化需求
• 附录 E 的评估缺口分析（如缺乏干预敏感性测试）对 benchmark 设计具有直接指导意义
• 图 4 的时间线图谱可快速定位特定系统与能力层级的对应关系

质量说明

• 采用来源：clean，papers/2026/04/2604.22748.md
• 生成模型：LongCat-Flash-Chat
• 源材料判断：论文材料完整，包含主文与关键附录，方法论述清晰，实验分析基于公开基准，结论有文献支撑。