你让机器人把杯子往左挪，模拟器却生成一段杯子稳稳放好的视频。画面很自然，任务似乎也成功了，唯独机器人没有照你的动作走。这样的“漂亮未来”不能用来比较行动方案：无论输入什么，模拟器都倾向于讲一个熟悉的成功故事。
这正是论文《Do Robotic World Models Really Follow Actions?》追问的问题。作者提出评测框架 WorldEcho，检查机器人世界模型是否真的服从动作；又提出训练方案 WorldSync，试图让模型对动作变化更敏感。论文在 50 个 RoboTwin 操作任务和一项真实机器人叠杯任务上测试了这套方法。以下结果均来自作者的单篇论文，尚无独立研究交叉验证。
会演示，不等于会预测
这里的“动作条件世界模型”，可以理解为机器人的视频模拟器。它接收当前画面、任务指令和一串机器人动作，再生成接下来可能发生的画面。它若足够可靠，研究者就能让机器人先在模拟中尝试不同策略，不必每次都让真机冒险。
问题出在训练数据上。许多模型主要学习“专家示范”——成功、规范的操作轨迹。模型很容易把常见场景与常见结局连在一起，却未必理解某个具体动作会造成什么后果。
真正用于改进策略时，机器人会试探、偏离，甚至犯错。这些偏离熟悉示范的操作叫作 off-expert actions，可译为“非专家动作”。它们才是压力测试：模型究竟理解了动作后果，还是只会复刻最常见的未来？
作者先在 RoboTwin 模拟环境中，用专家示范微调 Cosmos-Predict2.5。输入专家动作时，模型能较准确地重放轨迹；换成可执行但不熟悉的动作后，它出现两类问题。一类是机械臂扭曲、夹爪消失，视频本身已经失效。另一类更隐蔽：画面依旧合理，甚至显得过分乐观，但其中的运动与指定动作不一致。
WorldEcho：别只看视频像不像真的
WorldEcho 把测试动作分成五类。第一类直接重放专家动作，作为熟悉场景的基准。其余四类逐步远离专家分布：把另一状态下的专家动作搬过来；在专家动作附近加入小幅扰动；使用学习到的策略实际会产生的动作；以及从机器人可行的动作空间中更广泛地采样。
每次测试都从同一初始状态出发。世界模型负责“想象”未来，RoboTwin 则实际执行同一串动作，给出对应的参考未来。随后，WorldEcho 做两道检查。
第一道看“视觉完整性”：画质是否过关、运动是否连续、夹爪是否始终可见、机械臂是否完整。四项全部通过，视频才算有效。
第二道看末端执行器的轨迹，也就是夹爪在三维空间里的位置和朝向。论文使用 SE(3) 轨迹对齐来比较生成视频与参考视频。SE(3) 是描述刚体三维位置和旋转的数学框架；轨迹对齐则把两条运动路径放进共同坐标系，再比较差异。误差越低，说明模型生成的运动越符合输入动作。视觉失效的视频会在综合指标中受到固定惩罚，避免一段坏掉的视频靠偶然的轨迹估计蒙混过关。
这套测试揭示了明显落差。六个仅用专家示范训练的模型，在非专家动作上的综合误差比专家动作高出 0.029～0.099 米。原始轨迹误差增加 0.010～0.043 米，视觉失败率也上升 6.3～28.1 个百分点。不同模型的短板并不相同：有些主要把画面生成坏了，有些画面尚可，却没有按指定动作运动。因此，只看视频质量或只看轨迹，都可能漏掉一半问题。
WorldSync：让模型看见“换动作会怎样”
针对诊断结果，WorldSync 从三个方向训练模型。
先扩大动作覆盖。训练数据不再只有专家示范，也加入局部扰动、跨状态重放、策略动作和更广泛的可行动作。模拟数据还会混入少量目标任务的真实机器人数据，以维持真实画面的视觉特征。
再加入 Action-Forcing Expert（AFE，动作强制专家）。它从视频模型的中间表征中预测未来夹爪轨迹，迫使这些内部特征记录动作引发的机器人运动。AFE 只是训练时的辅助模块，推理时会移除。
最后是 Intervention-Effect supervision（IE，干预效果监督）。训练时给模型两组相同的初始画面和指令，只改变动作，并要求它预测出的变化与真实未来之间的变化一致。换句话说，模型不仅要分别猜对两个未来，还要学会：动作一变，未来应该怎样跟着变。
论文的组件实验显示，IE 是轨迹改善的主要来源：加入 IE 后，原始轨迹误差从 0.0258 降至 0.0170。AFE 单独使用并未改善动作指标，但取得最高的视觉通过率；它与 IE 合用时，将综合误差进一步从 0.0700 降至 0.0695。这说明两个模块作用不同：IE 更直接地教模型响应动作差异，AFE 则帮助平衡动作一致性与画面有效性。
为什么值得关注
在六种模型骨干上，扩大动作覆盖都降低了综合误差和原始轨迹误差，但视觉质量的变化因模型而异。完整 WorldSync 的综合误差为 0.0661，是所有配置中最低的点估计；最接近的 CtrlWorld 为 0.0670。WorldSync 的视觉通过率为 84.51%，略高于 Motus 的 84.34%。不过，它并非每项都领先：扩大动作覆盖后的 Cosmos-Predict2.5 原始轨迹误差为 0.0127，低于 WorldSync 的 0.0223。WorldSync 的优势更像是两项能力之间较好的平衡。
更关键的检验是：更听动作的模拟器，能否真的帮助机器人学习。作者在相同预算下进行了两轮策略改进。RoboTwin 中，WorldSync 对应策略的成功率从约 52%升至 65%；两种 CtrlWorld 条件最终分别达到 56%和 57%。真实机器人叠杯任务中，两组都从 48%起步，WorldSync 最终达到 68%，CtrlWorld 达到 56%。这些结果支持作者的判断：动作依赖更可靠的模拟反馈，可能带来更有效的策略改进。
局限与未知
- WorldEcho 和 WorldSync 出自同一团队，改进效果主要由团队自建指标衡量，评价偏向仍需独立测试排除。
- 综合指标上的领先幅度很小，论文材料未提供方差或显著性，不能据此断言 WorldSync 稳定优于所有基线。
- 作者也承认，长时程互动、更多机器人形态和开放环境仍未被充分覆盖；真实机器人部分只披露了叠杯任务，结论不能外推到所有机器人场景。