v0 · 完整正文
研究综述
研究备忘录 | 时间范围:2025-08 至 2026-08 | 证据基础:30 篇论文,36 条经验证证据事件 | 综述模式:scoping 本备忘录基于经过完整全文提取和 claim-support audit 的论文级证据。所有主张可追溯至具体论文段落。事件级溯源见 evidence-appendix.md。
1. 研究边界与问题界定
"世界模型的训练是否有必要接监督信号,还是应该走纯粹的端到端"——这个问题隐含了一个二选一的预设。但近一年的证据表明,这实际上是一个伪二元对立。文献中反复出现的模式不是"监督 vs 端到端",而是"什么样的监督、在什么阶段注入、以什么结构组织、何时丢弃"。
本文将"监督信号"界定为:训练阶段引入的外部信号,包括但不限于几何先验(深度图、点云对应、3D 点轨迹)、物理引擎梯度(可微仿真的接触/碰撞)、语义标注(掩码、实体标签)、奖励/价值函数、以及逆动力学标签。"纯粹端到端"则指仅从视频预测或潜变量预测的自监督目标出发,不引入上述任何外部信号。
基于 30 篇近一年论文的 36 条证据事件,本文的中心论点是:纯粹端到端在世界模型训练中存在系统性失败模式,但外部监督信号的有效性高度依赖于其结构设计和对齐质量;当前最具说服力的范式是"特权监督"——训练时注入结构化的外部信号以防止表征坍缩和确保动作相关性,推理时丢弃监督分支以避免开销。
2. 纯粹端到端的失败模式
2.1 表征坍缩
最直接的失败来自 JEPA 类潜变量预测模型。当 JEPA 世界模型仅以潜变量预测为训练目标、完全移除动作监督时,模型会坍缩为平凡常数表征:预测损失看似很低,但表征结构被彻底破坏,规划成功率可以忽略不计 2606.31232。消融实验显示,将逆动力学监督权重 λ 设为 0(完全移除动作监督)导致近完全坍缩,而合理的 λ 值则产生稳定的高性能。这说明纯自监督潜变量预测不足以维持 JEPA 世界模型中的动作敏感动力学。
类似地,V-JEPA 原始的 masked-only 预测目标也存在密集特征缺陷:当预测损失仅施加于被遮蔽区域时,可见 token 会退化为全局聚合器(类似 register token),破坏局部空间结构 2603.14482。语义分割性能仅 22.2 mIoU(ADE20K),深度估计 RMSE 高达 0.682(NYUv2)。这一问题虽可在自监督范式内通过更好的目标设计解决(将预测损失扩展到所有 token 并引入多层次深度监督),但恰恰说明"自监督"本身不是万能药——目标函数的具体形式决定了表征质量。
2.2 物理幻觉与接触失败
在接触丰富场景中,纯数据驱动方法的失败更为剧烈。DreamerV3 在接触丰富泛化时出现"灾难性性能下降",尽管拥有更多训练数据(100 条轨迹 vs 物理方法的稀疏观测),仍无法维持基本的场景一致性或物理合理性 2602.11021。纯数据驱动模型"优先追求视觉合理性而非物理严格性",产生物体穿透或自发消失等幻觉。
更令人警醒的是 BadWAM 的发现:在完整的 LIBERO 闭环测试中,世界-动作模型(WAM)可以在"想象的未来看起来完全合理"的同时执行错误动作 2607.15207。黑盒动作攻击将高成功率 WAM 从 96.5% 降至 43.1%,且想象保持攻击在 40 个任务中有 39 个降低了未来漂移——意味着"未来看起来更合理"与"动作更正确"可以完全脱钩。
2.3 监督信号的结构性不足
即使存在某种形式的监督,如果结构不当同样会失败。标准动作条件潜变量世界模型将动作驱动和环境驱动的效应融合在单一的 next-latent 目标中,当环境独立于智能体演化时,这种"一锅炖"的监督信号会导致规划性能显著下降 2607.18715。消融表明,仅用世界对比损失或正交约束都无法复现完整增益——两者是互补的,必须同时存在。
3. 监督信号的必要性与有效形式
3.1 仿真派生特权监督
仿真环境提供了真实世界无法获取的特权信息。3DPWM 在仿真中用完整点云和逐点速度真值训练世界模型,直接证明了这种监督优于真实世界的部分观测训练 2607.00148。仿真中的逐点对应关系使得 Huber 损失可以直接施加于动力学,而真实世界的部分观测只能退化为 Chamfer 距离——后者本质上是更弱的监督信号。多步 rollout 监督(仅在仿真中可行)显著减少了误差累积。
在规划层面,仿真派生的奖励、价值和编码器先验对世界模型预训练至关重要 2603.15759。消融显示:仅用专家数据训练,Peg Insertion 成功率从 0.90 跌至 0.10;解冻编码器导致完全性能丧失,因为冻结的奖励和价值头接收到了训练分布外的潜变量。该框架将真实世界适应明确降维为"受监督的系统辨识"而非端到端 RL。
3.2 可微物理监督
可微物理引擎提供了一种独特的监督形式:不是外部标签,而是通过端到端梯度流注入物理结构。ContactGaussian-WM 通过可微碰撞检测和互补自由接触动力学,将图像损失的梯度经渲染器反向传播到状态,再经可微仿真器优化物理参数 2602.11021。关键发现是:非可微的碰撞检测(如 PIN-WM)在高动态接触场景中因"梯度 detach"而失败,说明物理监督的有效性依赖于梯度通路的完整性。
对于可变形物体,纯端到端学习违反物理结构且外推性差,纯物理仿真因粗粒度离散化和简化本构定律存在 sim-to-real gap,最优方案是混合方法:可微 MPM 仿真器提供物理结构作为归纳偏置,学习型残差模块吸收系统性偏差 2607.20653。消融证实物理基础单独已是很强的预测器,学习修正额外带来 13-18% 的提升。
3.3 几何监督
几何监督是文献中最普遍的特权监督形式。Pri4R 在训练时监督 VLA 骨干预测 3D 点轨迹,推理时完全移除几何分支,实现"零推理开销的物理感知增强" 2603.01549。GEM-4D 将 4D 几何基础模型的表征蒸馏到视频骨干中,推理时丢弃几何分支,真实世界操作成功率从 61% 提升至 81% 2605.22882。GaussianDream 用深度和伪 3D 场流目标训练高斯重建和预测头,推理时仅保留紧凑前缀用于控制 2605.20752。
Neural Voxel Dynamics 的发现进一步细化了这一图景:纯 2D 端到端学习不足以学习 3D 物理,但 3D 体素结构 + 深度先验可以作为归纳偏置替代显式物理监督 2606.26410。关键条件是:深度先验的质量限制了模型的几何保真度。JEPA 世界模型同样从训练时深度监督中获益,验证 MSE 降低 33%,域外 rollout 在 horizon 20 处从 0.458 提升至 0.537 2607.16314。
3.4 语义监督与物理监督的层次化注入
物理监督的注入方式至关重要。将物理监督均匀施加于所有像素会"稀释"物理信号 2606.28128。区域聚焦的物理监督(集中在机械臂、接触区、运动物体上)在 R-Bench 上从 46.0 提升至 47.5,而均匀监督仅达到 46.0。像素级轨迹监督和语义级关系监督是互补的,分别抑制轨迹不连续性和全局关系错误。
语义掩码监督则扮演信息瓶颈角色:通过预测未来语义掩码而非原始 RGB,过滤纹理、光照等光度干扰变量,保留物体身份、空间布局和接触动力学等决策关键结构 2604.19683。关键设计是:语义监督仅在训练时使用,部署时模型纯 RGB 输入。
4. 特权监督范式
综合以上证据,近一年文献中出现了一个清晰的设计范式——"特权监督"(privileged supervision):训练时利用仿真状态、几何基础模型、物理引擎或语义标注提供的外部信号来塑造表征,推理时完全丢弃监督分支,仅保留轻量化的策略/预测主干。
这一范式的证据基础包括:
- Pri4R:4D 点轨迹训练时监督,推理时零开销 2603.01549
- GEM-4D:几何特征蒸馏训练,推理时丢弃几何分支 2605.22882
- GaussianDream:密集高斯监督训练,推理时仅保留紧凑前缀 2605.20752
- SG-WAM:冻结 VGGT 几何教师训练,推理时移除教师和 EMA 目标通路 2608.01397
- MWM:语义掩码训练时监督,部署时纯 RGB 2604.19683
- 3DPWM:仿真完整点云 + 逐点速度训练,sim-to-real 迁移后推理时使用部分观测 2607.00148
特权监督的核心洞察是:外部信号的职责是"教会模型如何看世界",而非"代替模型做决策"。一旦表征被正确塑造,外部信号就完成了使命,可以在推理时安全移除。
5. 自监督的有效边界与外部监督的失败
值得注意的是,监督不是越多越好,外部监督也可能失败。
5.1 自监督预训练的优势
在预训练阶段,自监督世界模型预训练(无动作标签的下一帧预测)可以优于有监督的动作标签预训练 2509.18428。在 LIBERO-90 上,世界模型预训练(无动作标签)达到 93.7%,而有监督动作预训练为 92.7%;在真实世界任务上,自监督预训练使平均成功率从 84% 提升至 94%。原因在于:自监督世界建模学习的是通用动力学而非特定本体的动作映射,迁移性更好。
5.2 外部表征监督的失败
然而,外部预训练特征并不总是有效。ReWorld 的对照实验首次系统比较了视频世界模型中的表征学习方法,发现外部表征监督(REPA 配合 DINOv2、VideoMAEv2、V-JEPA2、DepthAnything3)对长时间跨度驾驶视频生成"几乎无改善,甚至某些情况下比基线更差" 2606.27504。原因在于:这些预训练特征空间"并不总是被优化来保持细粒度时间演化、精确几何和智能体动力学"。模型自身潜空间内的自监督塑造(未来预测监督、跨模态对齐、困难负样本排斥)反而更优,FVD 从 81.3 降至 61.9。
5.3 语义先验的双刃剑
当语义先验(一种隐式监督)与环境实际动态不对齐时,依赖它们的方法会灾难性崩溃 2605.16725。在标签重映射环境中,依赖 LLM 语义先验的 WorldCoder 准确率从 92.0% 跌至 56.8%,而从交互证据中纯学习的方法保留了 98.2%。这说明监督信号不对齐时,"有监督"比"无监督"更危险。
5.4 动作监督的"乘数"角色
逆动力学监督(一种轻量动作监督)的角色被精确定义为"乘数"而非"创造者":它可以重新对齐预训练中已嵌入的动作相关结构,但无法从零创造 2606.07687。V-JEPA 的预训练特征已编码了大部分动作相关结构,逆动力学监督只是"重新对齐"而非"创造"信号。像素重建目标(如 SDXL VAE、Cosmos)虽然 PSNR 最高,但动作可恢复性最低——像素级监督对动作相关性可能是反productive的。
6. 视觉保真度与动作效用的系统性分裂
近一年最 robust 的发现之一是:视觉保真度与动作效用不仅不等价,而且可能负相关。
SANTS 发现完全去噪的视频不总是最佳的动作条件——视频精修可以降低动作误差到一个状态依赖的临界点,此后增益可能饱和甚至反转 2605.27947。MiraBench 指出现有评测主要强调视觉保真度,无法回答"动作条件预测是否可靠"这一核心问题,提出应评测物理遵守、动作忠实度和失败案例的乐观偏差 2605.29360。
τ0-WM 通过模态特定的监督掩码训练统一视频-动作世界模型,使用真实机器人遥操作、UMI 式交互、人类第一视角视频与 rollout/失败轨迹的异构语料 2606.01027。Hi-WM 在世界模型内让人类干预失败倾向的 rollout,将纠正轨迹加入后训练数据 2604.21741。这些设计都暗示:不是所有未来预测都对动作有用,密集的纠正轨迹比仅用成功演示更重要。
一项综合调研明确指出这一分裂:"预测保真度和动作效用并不总是重合。一个模型可能生成视觉合理的未来,同时无法保持接触、物体永久性、力闭合或动作可行性" 2606.00113。
7. 生命周期视角:不同阶段需要不同监督
上述调研还提供了一个关键的框架性洞察:世界模型的同一架构在不同生命周期阶段需要不同类型的监督 2606.00113:
- 预训练阶段:需要动作对齐的预测目标。纯预测预训练之所以吸引人,是因为机器人交互数据昂贵、稀疏奖励难以获得,而未来预测从轨迹中提供密集监督。但如果预训练目标不保持动作后果、接触结构或本体特定可行性,"视觉或几何上丰富的预测特征可能迁移到控制时表现很差"。
- 后训练阶段:世界模型可以生成额外监督(伪动作、学习环境、奖励/偏好评分、幻觉轨迹过滤),但需要幻觉控制。
- 推理阶段:需要延迟约束的在线修正,世界模型承担候选动作生成、未来想象、进度/奖励估计和低质量动作修正。
Dream-Tac 将动作块、未来视觉和未来触觉纳入同一世界动作建模目标,正是为了弥补纯视觉未来对接触互动线索的不足 2606.08737。TacForeSight 的证据进一步表明,如果目标包含扰动恢复,数据集必须显式收集正常演示和恢复交互数据,否则模型很难学习接触丢失后的再建立 2606.11184。动力学学习与视觉合成的解耦也是一种有效策略:低分辨率动力学预览 + 高分辨率精修的两阶段设计优于单一端到端视频生成 2606.32028。
8. 开放问题
- 4D 监督的规模化边界:Pri4R 的 4D 点轨迹监督主要在微调和小型真实 rollout 上验证,预训练规模下是否仍有效尚未知 2603.01549。
- 评测方法学滞后:MiraBench 指出现有评测无法回答动作条件预测是否可靠 2605.29360;BadWAM 进一步证明"想象的未来看起来合理"不等于"动作正确" 2607.15207。
- 混合方法的最优配比:物理仿真和学习残差的比例如何确定?可变形物体的 13-18% 残差提升是否适用于其他物理域 2607.20653?
- 自监督坍缩的可靠防护:JEPA 表征坍缩 2606.31232 和 V-JEPA 密集特征缺陷 2603.14482 表明,自监督目标的设计空间仍有未探索的失败模式。
- 外部监督的迁移条件:ReWorld 发现外部预训练特征可能有害 2606.27504,而 GEM-4D 的几何蒸馏却有效 2605.22882。决定外部监督"迁移 vs 不迁移"的具体条件仍需系统研究。
9. 核心结论
近一年的证据不支持"纯粹端到端"也不支持"全面监督",而是指向一个更精确的结论:世界模型训练需要监督信号,但所需的是结构化的、与任务对齐的、在训练时注入并在推理时丢弃的特权监督。纯端到端在表征坍缩、物理幻觉和动作-视觉分裂上存在系统性失败;但外部监督也并非万能,不对齐的语义先验可以比无监督更危险,通用的预训练特征可能不如模型自身潜空间内的自监督塑造。
最具实践价值的范式是特权监督:利用仿真的完整状态、几何基础模型的稠密对应、可微物理的梯度流、或语义标注的信息瓶颈,在训练时将表征塑造到正确的方向上,然后安全地丢弃监督分支。这一范式的有效性已被 Pri4R、GEM-4D、GaussianDream、SG-WAM、MWM 等独立验证。未来的关键问题不是"要不要监督",而是"在什么阶段、以什么结构、对齐到什么目标"。