让 AI 预测摆动的小球，好比让人根据几帧视频一路猜下去：开头只错一点，越往后却可能偏得越远。Richard Bao 的研究发现，世界模型或许已经从画面里学到一条“能量账本”，却在连续想象未来时没能一直把账对平。只纠正这项偏差，就可能让长程预测更可靠。
作者冻结了仅用摆锤视频训练的 DreamerV3，并在潜在状态——模型内部对世界的压缩表示——中无标签搜索近似守恒的标量。三个独立训练的无耗散模型都找到相近的能量式不变量；匹配的阻尼模型则没有找到可比结果。模型自主滚动时，这个量会逐步漂移。研究者随后做“投影校正”：每预测一步，就把内部状态轻微拉回初始不变量所在的约束面。作者报告，这改善了三个模型的 50 步预测，而随机约束通常适得其反。
关键不只是“模型内部能读出能量”，而是直接干预这项约束确实改变了预测表现。不过结论目前只针对摆锤视频上的冻结 DreamerV3，能否推广到更复杂世界模型仍未知。