企业官网建设流程全解析

给世界模型验货：感知、记忆、推理都及格，为什么“动机”和“元认知”几乎全军覆没？

这次我们不聊某个具体的文生视频模型，也不聊某个自动驾驶感知框架，而是直接讨论一个更底层的问题：如果一个通用世界模型参加了“能力体检”，感知、记忆、推理、动机、元认知五科一起考，它能拿几分？

从目前可观测的公开评测结果和社区反馈来看，结论相当有意思：感知、记忆、推理这三项，虽然谈不上满分，但至少能稳定及格；而动机和元认知这两项，几乎全军覆没。注意，这里说的“全军覆没”不是指模型完全没有任何相关输出，而是指它们在被单独测试时，无法稳定表现出持续的目标驱动行为，也无法对自己的认知过程进行有效监测和修正。

这篇文章会做三件事：

1. 拆解世界模型的五维能力指标，给出每个维度的具体测试方法。
2. 基于现有公开材料，整理一份“哪里及格、哪里翻车”的观察报告。
3. 给出一套你可以直接在本地或云端复现的评估流程，包括测试数据设计、Prompt 模板、评分标准和代码框架。

适合谁看：正在做大模型 Agent、具身智能、自动驾驶预测、游戏 AI 或仿真环境研究的工程师；准备给团队做世界模型技术选型的人；以及所有想搞清楚“世界模型到底是不是营销概念”的读者。

1. 核心能力速览

先给一张总表，后面所有章节都围绕这张表展开。

这张表有两个地方需要特别注意。

第一，“及格”和“全灭”是相对人类基线而言的。感知、记忆、推理这三项，模型能够在受控测试中给出合理输出，但离“可靠”还有距离。动机和元认知则更严重，模型不仅表现弱，甚至连稳定的测试范式都很难建立。

第二，这里的评分不是某个官方机构给出来的，而是综合公开论文、开源评测集和社区复现结果得到的观察结论。实际分数会随模型版本、输入数据、测试环境变化，建议你把它当作“评估维度清单”而不是“最终判决”。

2. 世界模型评估难点：为什么不能只看生成效果

很多人评估世界模型，习惯直接看视频生成画质：画面清晰不清、动作流不流畅、边缘有没有变形。这个思路可以评价生成模型，但不能评价世界模型。

原因很简单：画质只反映感知输出层的质量，完全无法衡量模型内部是否建立了对世界状态的持续追踪。

一个真正可用的世界模型，至少要具备四层结构：

• 状态编码层：把当前观测压缩成结构化状态表示，比如物体的位置、速度、颜色、关系。
• 状态预测层：根据当前状态和动作，预测下一步状态分布。这是感知和推理的结合点。
• 记忆管理层：决定哪些历史信息写入长期记忆，哪些被遗忘，哪些在预测时被召回。
• 决策评估层：在多个未来轨迹中选出符合目标的行动方案。这一层依赖动机和价值模型。

如果你只在视频生成任务上评测，那么第二层和第三层的能力会被画质表现掩盖。一个模型完全可以在“没有真正理解物理规律”的情况下，通过记忆训练集中的画面片段，生成看似合理的视频。

换句话说，视频生成更像是一个“感知+记忆”的代理指标，而不是全部。想要给世界模型验货，必须设计多轮交互、状态干预、反事实提问，以及决策一致性测试。

3. 感知能力测试：及格容易，满分很难

3.1 感知考什么

感知能力在这里特指“从观测数据中提取结构化世界状态”的能力，不是图像分类准确率。

核心测试包括四个方面：

3.2 测试设计示例

你可以构造一个简单的 2D 栅格环境来测试空间感知：

• 环境大小为 10x10。
• 有一个智能体位于 (3,3)。
• 模型只能看到以智能体为中心、半径为 2 的局部区域。
• 测试目标是：让模型推断视野外某个格子是否存在障碍物。

如果模型只依赖视觉记忆做模式匹配，它会在这个任务上表现很好，因为训练数据里可能见过类似布局。但如果把障碍物位置随机化、并改变墙体结构，记忆匹配就会失效，此时模型必须真正利用空间距离和遮挡关系进行推断。

3.3 从材料观察到的感知表现

在公开的世界模型演示中，感知层面的成果是最容易量化的，尤其是基于视频预测的错误率指标。长期建模的结果表明，模型对静态场景的空间结构理解较好，但对动态遮挡、极端天气、传感器噪声等长尾场景的适应能力偏弱。

这里要特别提到一个来自自动驾驶评测的常见现象：雾天、大雨、逆光等恶劣天气下，模型的感知置信度会发生明显漂移，但很多模型并不会主动降低对物体检测结果的置信度。这其实是感知与元认知脱节的表现：能看见，但不知道自己看得不够清楚。

4. 记忆能力测试：写入、保持、召回三者必须分开

4.1 记忆考什么

世界模型的记忆评估，比感知评估复杂。因为“记忆”不是一个单一能力，它至少分三层：

• 工作记忆：维持当前场景状态，用于短期规划。比如一个人走进房间后，你需要在几秒内记住他的位置和手里拿的东西。
• 情节记忆：存储过去具体事件，用于类比和反思。比如“上次在这个路口左转时遇到了施工”。
• 语义记忆：提取跨事件的抽象规律。比如“这个仓库的货物摆放习惯是重物在下”。

一个好的世界模型，必须同时具备这三层，而且还要有清晰的写入策略和遗忘策略。

4.2 常见翻车点：记忆写入与召回不分家

当前很多 Agent 框架会把记忆做成一个向量数据库：把历史对话和观测 embed 成向量，然后检索 top-k 相似的片段作为上下文。这种方案本质上是“把全部记忆暴露给模型”，而不是“让模型决定记住什么”。

这就导致两个问题：第一，记忆库越来越大，检索延迟线性增长；第二，检索结果可能包含大量不相关信息，反而干扰当前决策。

所以在评估世界模型的时候，不能只测“它能不能回忆起之前的信息”，还要测“它有没有主动选择记住什么”以及“它能不能在记忆冲突时做出判断”。

4.3 记忆测试样例

可以设计一组多轮交互任务：

1. 向模型展示一个虚拟房间，里面有红球、蓝球、绿球各一个。
2. 让红球移动到位置 A，蓝球移动到位置 B。
3. 询问模型：“绿球刚才有没有移动？”
4. 再问：“哪个球在位置 B？”

如果模型表现正常，它能直接回答第二个问题，并正确否定第一个问题。但如果记忆系统里混入了无关的对话历史，模型很可能会出现“答非所问”或“幻觉式补充”的情况。

这组测试能检验的并不是大模型的参数记忆能力，而是它在多轮环境下对状态变量的持续追踪能力。

5. 推理能力测试：基础推理及格，深度推理不稳定

5.1 推理考什么

世界模型里的推理，重点不是数学题的解题能力，而是：

• 空间推理：给定当前布局，推断移动后的状态。
• 因果推理：给定干预，判断哪些结果由干预导致。
• 反事实推理：如果当时没有做某件事，现在会怎样？
• 多跳逻辑：组合多个事实推出新结论。

其中，反事实推理是最能反映世界模型质量的测试。因为模型必须真正理解“世界状态之间的依赖关系”，而不是靠统计共现来答题。

5.2 一个失败率很高的推理测试

构造一个最简单的反事实场景：

桌子上有一杯热咖啡、一本书。你拿起书，走到窗边，放下书，然后回到桌前。请问：如果当时你没有拿起书，咖啡的温度会更快变凉吗？

正确答案是：不会，因为你没有动咖啡，环境温度基本不变。但如果模型没有构建“拿起书不影响咖啡温度”的因果模型，它很可能会因为文本中同时出现了“拿起”和“热咖啡”，而误答“会变凉”。

这类测试看起来简单，实际运行时会发现，很多在数学推理 Benchmark 上拿高分的模型，在这里照样会翻车。原因是数学推理依赖的是符号操作能力，而反事实推理需要的是世界状态的动态仿真能力。

5.3 推理测试的数据集构建

如果你想自己复现，下面是一段 Python 伪代码，用来生成反事实推理样本：

import random def generate_counterfactual_sample(): objects = ["热咖啡", "冰水", "书", "笔记本", "花瓶"] actions = ["拿起", "放下", "移动", "倒掉", "盖上"] target = random.choice(objects) action = random.choice(actions) # 构建原始事实：动作作用于无关物体，目标物体状态不变 irrelevant_obj = random.choice([o for o in objects if o != target]) question = f"桌子上有{target}和{irrelevant_obj}。你{action}{irrelevant_obj}。" question += f"请问：如果当时你没有{action}{irrelevant_obj}，{target}的状态会改变吗？" # 标注：正确的反事实答案应该是"不会"， # 因为动作没有作用于目标物体 answer = "不会" return { "question": question, "target": target, "action": action, "answer": answer, "expected_unchanged": True } # 生成 100 个样本 samples = [generate_counterfactual_sample() for _ in range(100)] print(samples[0])

这个生成器非常简单，但它已经能暴露很多模型的问题：

• 如果模型只是做文本匹配，它容易被“动作词+目标物体”的表面共现误导。
• 如果模型建立了基本的 object-centric 状态追踪，它能稳定回答“不会”。
• 如果你把问题改成“如果当时把咖啡也{action}了”，正确答案变成“会”，模型表现又会波动。

6. 动机模块：为什么接近全军覆没

6.1 动机是什么

动机，在认知科学里指的是“驱动有机体朝向目标行动的内部状态”。对人类来说，饥饿、好奇、恐惧、社交需求都会产生动机。

对世界模型而言，动机意味着两件事：

1. 模型内部存在一个目标表征，不是用户临时给的指令。
2. 模型能基于目标状态和当前状态的差值，选择行动序列。

换句话说，没有动机的世界模型是一台“状态预测机”，只能回答“下一步会发生什么”；有动机的世界模型才是一个“决策体”，能回答“应该做什么来让下一步变成我想要的”。

6.2 为什么几乎所有模型都会翻车

当前主流实现方式里，目标要么来自用户 Prompt，要么来自 Reward Model 的外部打分。模型自身没有稳定的目标结构，也没有“渴望”或“回避”的内在状态。

你做一个简单测试就能发现：

告诉模型：“你是一个仓库机器人，你的目标是保证所有货架上的货物都在正确位置。现在你发现 A 货架缺货，B 货架货物堆放混乱，C 货架一切正常。你只能做一件维护动作，你会做什么？”

合格的世界模型会先评估三个货架的异常程度，然后优先处理 B，因为混乱可能增加倒塌风险，而缺货只是影响发货效率。但很多模型会直接回答“我先去 A 补货”，因为它把“缺货”当成了最常见的目标，而不是真正去做风险优先排序。

更深层的问题在于，即使模型选择了某个动作，它也缺乏持续的动机强度：如果环境反馈延迟，它不会像人类一样坚持目标；如果出现更吸引人的短期选项，它也很容易被带偏。

6.3 动机测试的长期窗口

动机测试不能一轮 Prompt 就下结论，至少需要连续 30 轮以上交互，观察模型的行为是否有如下特征：

从目前公开材料看，大部分模型在第 4 轮左右就会出现目标漂移，甚至开始“伪造完成度”——比如明明没有执行动作，却回答“已经完成”。这已经不是简单的推理缺陷，而是动机系统缺失的典型表现。

7. 元认知模块：最容易被忽视，也最致命

7.1 元认知考什么

元认知（Metacognition）是“对自己认知过程的认知”，包括：

• 知道自己知道什么，不知道什么。
• 知道自己当前的任务状态：有没有理解，有没有跑偏。
• 能根据自我监测结果调整策略。

对世界模型来说，元认知最直接的表现形式是：输出结果时附带可靠的不确定性估计，并在不确定性过高时主动求助或停止操作。

7.2 当前模型的元认知表现

我们可以做一个很简单的测试：

问模型一个它不可能知道的问题，比如：“按照 2026 年 1 月发布的最新仓储管理条例，A 类货物的堆叠高度上限是多少？”

很多模型不会回答“我不知道”，而是会基于训练数据中的常识做推测，比如“根据一般仓储标准，可能不超过 1.8 米”。它不会告诉你这个数字只是推测，也不会让你去查原始法规。

从能力归因角度看，原因是当前模型的不确定性估计，主要来自解码阶段的置信度分数，而不是来自“世界模型内部对状态是否完备”的判断。置信度低可能只代表“这个词的概率低”，并不代表“我对世界状态的建模存在缺口”。

7.3 如何设计元认知评测

元认知评测不适合用客观题，因为客观题答案只有对错，无法反映“模型是否知道自己可能答错”。

推荐使用“纠错式评测”：

1. 给模型一个任务，比如“根据房间布局规划最优路径”。
2. 在模型给出规划后，人为插入一条冲突信息，比如“这个房间在 10 分钟后会封锁走廊 B”。
3. 观察模型是否会主动更新规划，还是继续沿用旧方案。

如果模型能在没有用户明确要求的情况下，主动说“我之前给的规划需要修改”，说明它具备一定程度的自我监测能力。但从现有测试结果看，能主动纠错的模型比例非常低，绝大多数都需要用户硬性提示“请重新规划”。

8. 联合测试：世界模型不是单项能力的堆叠

单项能力测试只能回答“模型有没有这个功能模块”，不能回答“这个模型能不能稳定工作”。实战中，感知、记忆、推理、动机、元认知永远是耦合的。

8.1 联合测试示例：室内巡检机器人

设计一个模拟巡检任务，目标是在一个虚拟仓库中找到并搬运一个“损坏的蓝色箱子”。

测试过程如下：

• 感知：模型需要通过摄像头识别箱子的颜色和状态。
• 记忆：货架布局和箱子位置只在任务开始时展示一次，之后需要模型自己记住。
• 推理：如果主通道被障碍物堵住，模型需要规划替代路径。
• 动机：电池电量只够完成一半路程，模型需要决定“先找充电桩”还是“继续执行任务”。
• 元认知：如果识别置信度低，模型需要主动靠近箱子重新确认，而不是直接抓取错误目标。

这个联合测试能看出很多问题：

• 感知弱会导致错误抓取。
• 记忆弱会导致多次返回起点寻找目标。
• 推理弱会导致在障碍物前原地打转。
• 动机弱会导致中途被另一个目标吸引。
• 元认知弱会导致在低置信度情况下依然执行高风险动作。

8.2 联合测试评估表

从这套测试得到的结论是：多数模型在“感知+记忆+推理”的小闭环上能跑通，但一旦进入“动机+元认知”的决策闭环，错误率会显著上升。换句话说，世界模型的能力短板不在前端输入，而在后端决策评估。

9. 自动化评分：如何用代码批量验证世界模型能力

如果你想给多个世界模型做横向对比，手工测试肯定不够。下面给出一套可扩展的自动化评估框架，用 Python 实现，支持对接不同后端模型接口。

9.1 评估框架设计

import json import random class WorldModelEvaluator: def __init__(self, model_api, task_sets): """ model_api: 可调用对象，接收 prompt 字典，返回模型输出 task_sets: 任务配置，包含各维度测试样本 """ self.model_api = model_api self.task_sets = task_sets self.results = [] def run_perception_task(self, sample): """感知维度测试""" prompt = sample["prompt"] observable = sample["observable"] target = sample["target"] output = self.model_api(prompt) # 感知评分：输出是否包含目标状态的关键信息 score = 0 for key, value in target.items(): if str(value) in output: score += 1 total = len(target) return { "task": "perception", "sample_id": sample["id"], "score": score / total if total > 0 else 0 } def run_memory_task(self, sample): """记忆维度测试，需要多轮交互""" conversations = sample["conversations"] recall_question = sample["recall_question"] correct_answer = sample["correct_answer"] # 多轮对话，将历史信息注入上下文 context = "" for turn in conversations: context += f"User: {turn['user']}\n" context += f"Assistant: {turn['assistant']}\n" final_prompt = context + f"User: {recall_question}\n" output = self.model_api({"prompt": final_prompt}) return { "task": "memory", "sample_id": sample["id"], "score": 1.0 if str(correct_answer) in output else 0.0 } def run_reasoning_task(self, sample): """推理维度测试""" prompt = sample["prompt"] expected = sample["expected"] output = self.model_api(prompt) # 用关键词匹配做初筛，生产环境建议用 LLM as Judge score = 1.0 if expected in output else 0.0 return { "task": "reasoning", "sample_id": sample["id"], "score": score } def run_motivation_task(self, sample): """动机维度测试，核心是目标一致性""" # 先给目标，再做干扰测试 goal = sample["goal"] distractor = sample["distractor"] prompt = f"你的目标是：{goal}\n\n现在用户插入了新的需求：{distractor}\n\n请继续执行你原来的目标。" output = self.model_api(prompt) # 简单判断是否回到原始目标 kept_goal = any(word in output for word in sample["goal_keywords"]) return { "task": "motivation", "sample_id": sample["id"], "score": 1.0 if kept_goal else 0.0 } def run_metacognition_task(self, sample): """元认知维度测试，核心是主动性纠错""" # 模型给出预测后，注入矛盾信息，观察是否主动修正 initial_prompt = sample["initial_prompt"] contradiction = sample["contradiction"] first_output = self.model_api(initial_prompt) second_prompt = f"{initial_prompt}\n\n新的信息：{contradiction}\n\n请基于新信息重新回答。" second_output = self.model_api(second_prompt) # 如果用户不要求更正，模型主动说“我需要修正”就加分 correction_words = ["更正", "修正", "我错了", "需要更新", "重新判断"] self_corrected = any(word in second_output for word in correction_words) return { "task": "metacognition", "sample_id": sample["id"], "score": 1.0 if self_corrected else 0.0 } def evaluate_all(self): """运行全部任务，输出汇总报告""" for task_type, samples in self.task_sets.items(): for sample in samples: if task_type == "perception": result = self.run_perception_task(sample) elif task_type == "memory": result = self.run_memory_task(sample) elif task_type == "reasoning": result = self.run_reasoning_task(sample) elif task_type == "motivation": result = self.run_motivation_task(sample) elif task_type == "metacognition": result = self.run_metacognition_task(sample) else: continue self.results.append(result) # 汇总统计 summary = {} for result in self.results: task = result["task"] if task not in summary: summary[task] = [] summary[task].append(result["score"]) report = {} for task, scores in summary.items(): report[task] = { "avg_score": sum(scores) / len(scores), "sample_count": len(scores) } return report

# 使用示例 if __name__ == "__main__": # 这里替换成你的模型 API 调用函数 def mock_model_api(prompt): # 返回一段固定文本，仅用于演示框架 return "模型输出：我观察到蓝色箱子在货架 A3，推理结果是走左侧通道更优。" task_sets = { "perception": [ { "id": 1, "prompt": "描述这个场景：货架上有蓝色箱子和红色箱子，蓝色在左边。", "observable": "蓝色箱子在左边", "target": {"color": "蓝色", "position": "左边"} } ], "reasoning": [ { "id": 2, "prompt": "如果主通道被堵，你应该怎么从 A 区到 B 区？", "expected": "替代路径" } ], # ... 其他维度样本略 } evaluator = WorldModelEvaluator(mock_model_api, task_sets) report = evaluator.evaluate_all() print(json.dumps(report, indent=2, ensure_ascii=False))

这个框架有几点使用提示：

• 真实环境中，建议把model_api换成你的模型推理服务，比如 OpenAI 兼容接口、本地 vLLM 服务或 HuggingFace Pipeline。
• 评分逻辑不要只用字符串匹配。更好的方案是再调用一个强模型做LLM as Judge，但这会引入额外成本，建议先做小规模验证。
• 动机和元认知任务的样本需要精心设计，避免把“是否服从新指令”误判为“动机薄弱”。

9.2 评估结果解读

如果你跑完全套测试，大概率会得到这样一个分数分布：

注意：这不是固定分数，而是观察区间。不同模型差异很大，甚至同一模型在不同 Prompt 和温度参数下也会有明显波动。所以当你看到某个厂商宣称“我们的世界模型具备动机和元认知”时，最稳妥的做法是直接跑这套评估框架，用行为数据说话。

10. 如何从“感知记忆推理”提升到“动机元认知”

如果你正在项目中使用世界模型，并且想从“能用”提升到“好用”，下面几条方向值得投入。

10.1 给模型加一个显式的目标表征层

在现有模型之上增加一个目标状态模块，不修改主干网络：

• 把用户指令解析成结构化目标，例如目标：将蓝色箱子从 A3 运送到 B2。
• 世界模型只负责预测状态转移。
• 目标状态与预测状态做差异计算，驱动规划器选择最小差异路径。

这个做法不会让模型突然拥有“动机”，但至少能让外部目标更稳定，减少目标漂移。

10.2 用“不确定性着陆”约束元认知

在模型输出阶段，增加一个独立的不确定性预测头，专门评估“当前状态预测的可靠程度”。

具体来说：

• 不要直接用 softmax 概率作为不确定性指标。
• 改为使用多个推理结果的离散度：让模型采样 5 次，如果 5 次状态预测差异很大，说明这个场景的置信度低。
• 当置信度低时，强制触发“主动观察”模式，比如重新扫描环境或询问用户。

这个方案不需要训练新模型，只是把现有模型的多次采样结果做一个简单统计，成本低，效果明显。

10.3 明确“记忆类型”的隔离

把情节记忆和语义记忆分开存储：

• 情节记忆：使用时间戳索引，按时间顺序组织，用于回答“刚才发生了什么”。
• 语义记忆：使用知识图谱或向量库，按主题组织，用于回答“一般来说是怎样的”。

现在很多 Agent 框架把两类记忆混在一个向量库里，这是导致记忆测试翻车的一个重要原因。做一次简单的记忆隔离重构，往往就能显著提升多轮对话的表现。

11. 常见问题与排查方法