你看见一只球滚到屏风后面，会自然地等它从另一边出来。球没有因为看不见就消失，也不该突然换颜色、改数量，或穿过墙壁。视频模型却常在这里露馅：画面可以很逼真，背后的世界却未必连续。
论文《Training Object Permanence in World Models》瞄准的正是这道基础题。研究团队构建了 WROP（World Reasoning with Object Permanence），既用来考试，也用来训练模型。它不只问模型有没有“物体恒存”——理解物体被遮住后仍然存在——还加入“实体性”：实体通常不能互相穿透，也不能无缘无故占据同一空间。论文把视频生成模型归入“世界模型”，即通过生成后续画面来模拟环境变化的模型；这是作者采用的范畴，并不等于模型已经真正理解世界。
本文数字与效果均来自研究团队披露，尚无独立复现。
把婴儿认知实验改造成模型考场
WROP 包含 150 个手工设计的 Blender 三维场景生成器，分成六类任务。其中三类考物体恒存：物体穿过遮挡物后能否保持身份、大小和方向；屏风移开后，原有物体的数量和位置是否不变；物体藏进移动或交换位置的容器后，模型能否继续追踪它。
另三类考实体性：物体能否穿过尺寸合适的开口；支撑被抽走后是否下落，并由下方开口大小决定通过或停住；多个物体碰撞后，是否保持数量和身份，并产生合理的后续轨迹。
这套设计的关键，是把“认知结构”和“画面表象”分开。速度、灯光、材质、颜色和相机角度可以随机变化，但遮挡、容器移动或碰撞所考查的物理关系保持不变。好比同一道应用题不断更换人物和场景，模型若只记住某种颜色或构图，就很难蒙混过关。
每个生成器提供 10,000 个训练样本，总计 150 万个；考试集则有 300 道题，每个生成器取两题。每段样本是 120 帧、24 fps 的动画，关键事件前后各 60 帧。模型只能看到前半段和文字提示，再生成包含事件及其后果的后半段。样本还附带逐帧物体轨迹和场景状态记录。
这里没有使用刚体物理引擎自动算运动。研究者用 Blender 关键帧直接编排轨迹，以便精确控制遮挡、接触和重现发生的时间。代价是，物理可信度依赖场景作者，而不是模拟器自动保证。团队对文件完整性和帧数做了自动检查，也从每个生成器抽取代表样本人工检查。
不只测常识，还把常识练进去
研究团队从 Cosmos3-Nano 微调出一个 16B 模型 PWM-WROP。所谓微调，是在已有模型上继续训练，让它适应特定能力。模型结构和 tokenizer——把输入拆成模型可处理单位的组件——都没有改变，变化的是训练数据和训练信号。
PWM-WROP 用全部 150 万个样本训练一个 epoch，也就是完整看过训练集一遍。它接收前段视频和文字提示，预测后续 60 帧；训练中没有额外提供任务类别名称。换句话说，团队想把“物体仍在”“容器移动时内容物也随之移动”“实体不能穿透”变成生成后续画面时可直接使用的认知先验，而不是一道答题规则。
这比单纯做排行榜更值得注意。逼真的视频可能只是复制常见画面规律；WROP 则试图让模型在物体完全不可见时，仍维护一个稳定的内部世界状态。若这一步不存在，后续的碰撞、支撑变化和因果结果也容易建立在错误场景上。
排名不错，但还不能叫“真正理解”
团队共评测 14 个模型，包括 4 个真正续写输入视频的 continuation 模型、3 个根据参考视频重新生成事件的 reference-to-video 模型，以及 7 个在原时间段重绘画面的 edit/transfer 模型。三类接口面对的难度不同：重新生成场景的模型有更大自由度，而真正续写的模型必须从输入最后一帧接下去。
主要评估采用盲测两两比较。20 名众包评审同时考虑文字一致性、运动与物理可信度，以及物体是否消失、凭空出现、穿墙或改变颜色、形状和数量。团队用 Bradley–Terry 模型把比较结果换算成 Elo 分数——一种从两两胜负估计相对强弱的评分。
按论文报告，PWM-WROP 得到 1679.5 Elo，在 continuation 模型中第一、总榜第三。前两名 Wan 3.0 Prime 和 MiniMax H3 均为 1723.6，作者称两者在统计上并列。下一名 continuation 模型 Grok Imagine 为 1457.0，差距约 224 Elo。不过，模型的架构和接口也不同，因此不能把差距全部归因于 WROP 训练。
分项结果也更克制。PWM-WROP 在“静态物体被移动屏风遮住”任务中排名第一，三个物体恒存类别分别排第一、第三、第三；但在三个实体性类别中分别排第五、第二和第八，碰撞尤其薄弱。这说明针对性训练更明显地帮助了遮挡追踪，还没有同样解决接触与碰撞动力学。
为什么值得关注
这项工作的价值，不是证明模型已经获得类人认知，而是把一个含糊的问题改造成可训练、可检查的实验：遮挡前是什么，遮挡后应该是什么，中间哪些表面因素可以变化，都被明确控制。
它也提醒我们区分两件事：视频看起来连贯，不代表模型一直记得场景里有哪些物体；考试得分提高，也不等于内部已经形成了人类式概念。更稳妥的结论是，结构化合成数据可能改善特定物理一致性，而且不同能力——遮挡追踪、容器定位、碰撞结果——未必会一起出现。
局限与未知
- 主要人评只包含 361 次不同模型之间的两两判断，每个模型约 50—52 场；虽然论文给出按评审聚类的 bootstrap 区间，但证据规模仍有限。
- PWM-WROP 是唯一用 WROP 数据训练的模型，且各模型结构、接口和输出方式不同，因此实验不能单独隔离训练数据的因果贡献。
- 论文称数据、考试集、答案、评分、权重及 AWS Trainium2 上的原生 PyTorch 训练栈 PWM 均已发布，但现有材料不足以确认这些内容及许可证是否都可实际下载。