你让一个机器人搬积木。它先在脑中预演“从这里出发、这样推，积木最后会到哪里”，再决定下一步。大多数时候，它的预演都很准；但换一个同样合法的起点，预测里的积木可能突然停住，甚至违背实际运动。平均成绩依然好看，规划却可能从这一步开始走偏。
这正是论文《Where World Models Break》要找的问题。世界模型——用于预测环境未来变化的模型——不仅要猜“接下来会怎样”，还要结合 Agent 采取的动作，分别推演不同选择的后果。论文没有继续追问平均误差能否再降一点，而是提出一种压力测试：在有限的查询次数内，主动寻找会触发严重预测错误、同时又符合环境规则的条件与动作序列。
这里的“突然失灵”不是论文证明了一种随时间突然发生的动态现象。更准确地说，是模型在某些罕见或训练时未见的合法输入组合下，出现严重预测失败。本文数字与结论均来自这一篇论文，尚无独立团队交叉验证。
平均不错，为什么还不够
平均指标有一个朴素的盲区：少数特别严重的错误，会被大量正常结果冲淡。就像一辆车跑了一万公里，平均每公里只偏离路线几厘米，但其中一次直接开错路口。只报平均值，很难看见后者。
对世界模型尤其如此。规划器会比较多条预测出来的未来，再据此排列动作优先级。局部预测错误即使没有明显拉低总体平均分，也可能改变动作排序。论文因此把评测目标从“估计模型通常有多准”改成“找出哪些合法条件会让它反复出错”。
作者把这称为“自然输入失效发现”。“自然”不是说输入一定常见，而是说它能通过环境原本的重置或动作接口执行，不靠给图像加噪声，也不构造违反模拟器规则的状态。例如，改变机器人的合法起点、积木位置、目标位置，或一段允许执行的动作前缀，都属于候选输入。
BasinLens怎样寻找危险角落
难点是组合太多。一个场景里只要有多个可变位置和动作，合法组合就会迅速膨胀；每检查一次，还要运行模型与环境多次，因为单次预测可能受随机性影响。穷举成本太高，普通随机抽样又容易错过狭窄的高风险区域。
论文提出的 BasinLens采用“两条腿走路”。第一条是由不确定性引导的全局搜索：它用高斯过程——根据已经检查过的点，估计其他候选点风险及不确定程度的统计模型——去探索远处尚不熟悉的区域。第二条是局部替换：一旦发现高风险候选，就沿着环境定义的字段做合法改动，例如只换一个起点坐标或一项动作，同时保持输入可执行。
这一步的关键不只是“搜索附近”。不同坐标代表不同含义，数值上距离相近，不等于环境意义上相近。BasinLens按字段的语义类型和允许取值来编辑。可以把它理解为检查一份表格：全局搜索负责寻找值得怀疑的行，局部替换则只在“起点”“目标”“动作”各自允许的选项里换值，而不是把所有数字混在一起随意挪动。
每次查询后，BasinLens重新结合预测风险、不确定性、与高风险候选的接近程度，以及是否覆盖了新区域，决定下一次检查哪里。它不需要世界模型提供梯度，也不要求模拟器可微；只要每次查询能返回一个预测风险值即可。
找到一个坏点，还不能算数
自适应搜索专门追逐极端值，因此很容易把偶然噪声当成重大发现。论文把证据拆成三层。
第一层是发现：在固定查询预算内找到高风险输入。第二层是点复现：冻结搜索结果后，换一组未参与搜索的随机种子，再测试同一输入。第三层是局部持续性：对这个输入做邻近且合法的编辑，再用新种子检查周围是否仍有较高风险。
这一区分很重要。一个只在某次随机运行中出错的点，可能只是偶然；同一条件换种子仍然出错，证据更强；附近多个合法条件也持续出错，才更像一个真实的“失效盆地”。搜索结束后，验证结果不会反过来更新搜索器或重排名单，避免把验证也变成挑最好看的结果。
论文的主要在线实验使用LeWorldModel（LeWM）与PushT推积木任务，在12,016个合法候选中搜索；每轮最多查询64个候选，并进行64次配对重启。作者报告，BasinLens比随机搜索更常找到超过预设阈值的案例；相较只做全局搜索的GP-UCB，其部分固定阈值差异仅被作者定性为描述性结果，不能视为明确优势。
独立复现环节汇总了128次搜索，得到27个不同的BasinLens入选条件，其中24个在预设验证上限内取得完整的留出种子测量。局部验证则比较高分、中等分和随机锚点周围的合法邻域；作者报告，八个最高分锚点的邻域风险高于两组对照。由于正文抓取材料缺失相应风险值和部分命中率，不能进一步给出具体幅度。
案例里，研究者只改变PushT中Agent的合法起点，同时固定积木和目标，就观察到预测结果的物理读数明显变化。其他任务中还出现了时间预测崩坏、预测停滞，以及遗漏穿过墙体开口这一状态转移。一个经过优先筛选的局部墙体条件库中，900个合法配置有92个未能预测穿越；这个比例描述的是特定候选库，不是现实部署中的失效率。
它真正值得关注的地方
这项工作的价值不只是一种新搜索算法，而是提出了更严格的失败记录标准：触发条件必须合法；要写明查询预算和预测指标；要换随机种子复测；还要检查附近合法输入。这样得到的是可以重放和检查的具体案例，而不是一句笼统的“模型不够稳健”。
实验也给出了一条克制的边界：按语义类型做局部扩展，在包含多种不同字段、字段之间又有组合效应的空间里更有帮助；在单一因素或较同质的动作前缀空间里，普通随机搜索或UCB也可能更强。论文在五类世界模型、四种预测接口上做了检查，但模型、任务和指标同时变化，因此这只能说明适用范围，不能证明输入结构就是性能差异的唯一原因。
局限与未知
- 这些有限候选库用于复现搜索，不代表真实部署分布。论文找到合法失败条件，但没有估计它们在现实中多常见。
- 不同模型使用状态、视觉特征、潜在表示或未来画面的不同误差指标，风险数值不能跨协议直接比较。
- 论文证明的是预测层面的可复现失效。材料未量化这些错误造成真实事故的概率；它们会否沿控制流程放大，仍是风险动机而非已验证结论。