一张新榜单能证明什么，又不能证明什么。

作者｜七月

假设一台双臂机器人正在把罐子放进锅里。

头部相机显示任务已经完成，左腕画面里的罐子却还留在夹爪中；右腕画面里，另一只机械臂甚至出现了不该发生的移动。三段视频分开看都足够流畅，合在一起，物理世界却裂成了三份。

机器人不会被一段好看的视频安抚，它必须在同一个世界里行动。

这正是 TriWorldBench（首个面向机器人三视角视频生成与理解的具身世界模型评测基准）想解决的问题。过去，机器人世界模型的评测往往盯着单一外部视角，看画面是否清晰、连贯、接近参考视频。TriWorldBench 同时检查头部、左腕和右腕三个视角，要求它们描述同一次操作、同一个物体状态和同一段动作进程。它还把任务完成度、接触合理性、轨迹、时间稳定性和视觉质量放进同一套评测里。

就在最近，TriWorldBench 更新了他们榜单的排名，Aether AI 最新发布的首个因果世界模型—— CausalWM 以 66.04 的高分登顶榜首。

图源：Aether AI 创始人黄碧薇 X 账号官宣发布 CausalWM

除了在聚焦机器人三视角一致性的 TriWorldBench 上取得第一，CWM 还在覆盖更广泛物理场景的 Physical AI Bench（PAI-Bench）中获得验证。

在接收到一个观察结果和语言指令后，因果工作记忆系统会通过明确的运动和几何预测来生成未来的情景 图源：Aether AI 官网

第一名的成绩当然值得欣喜。但身处世界模型这样一个定义仍在快速变化的赛道，对 Aether AI 来说更重要的问题或许是：这 66.04 分究竟测到了什么？

1. 第一名的背后

Aether AI 的此次发布，带来了模型机制和榜单成绩两项公开信息。

CausalWM（下文简称 CWM）是一个 16B 的模型。给定当前观测，并结合语言指令或机器人动作条件，CWM 先预测光流，再生成三维点图（pointmap），最后生成未来 RGB 视频。前一步的结果会成为后一步的上下文，后续信息则由注意力掩码挡住，不能提前 " 泄题 "。Aether AI 团队把这套顺序预测机制称为 Causal CoT（因果思维链）。

这次发布也带来了一项榜单结果。

在最近更新的 TriWorldBench 榜单中，共收录了 36 个模型，CWM 以 66.04 分排名第一，第二名 dream4act 为 65.66 分。

从分项看，CausalWM 在跨视角、任务和运动相关指标上表现靠前，同时又在世界合理性和视觉质量上斩获第一——

在三视角一致性维度排名第 2，任务对齐维度排第 3，运动质量维度排第 2，视觉质量维度排第 2，透视合理性和图像质量则拿到了单项第一。

因此，这次第一名可以证明 CausalWM 其背后采用的因果路线展现出了对物理世界更强的建模能力。

它也释放了一个产业信号：世界模型的一部分评测重心，正从 " 谁的视频更像 "，转向 " 谁能生成一个可供行动的统一世界 "。

2.CausalWM：把中间物理过程写进预测链

传统世界模型已经能做动作条件预测：给定当前状态和控制信号，生成未来画面。CausalWM 想进一步处理的是另一个问题——模型究竟依靠什么中间物理变量完成预测。

Aether AI 选择把这部分过程显式展开。团队将光流、深度、几何等可自动提取的物理变量组织成一条有顺序的推理链：

Observation → Motion → Geometry → Future

这里的关键不是多预测几个额外特征，而是让前一步结果真正成为下一步的条件。先描述运动，再补充空间结构，最终共同参与未来视频的生成。训练中，后续变量不会提前泄露给前序阶段；推理时，模型也按照同样的顺序逐级生成。因此，CausalWM 试图把原本压缩在隐变量里的物理过程，变成一条可以显式监督和复用的因果思维链（Causal CoT）。

在接收到一个观察结果和语言指令后，因果工作记忆系统会通过明确的运动和几何预测来生成未来的情景 图源：Aether AI 官网

为了训练 CausalWM，Aether AI 构建了一个约 30K 小时的视频数据集，覆盖机器人操作、第一视角视频和多视角交互场景。

训练分成三个阶段：

第一阶段先解决生成能力。CausalWM 基于 LTX-2.3-22B 继续训练，学习语言条件、动作条件和多视角未来预测。

第二阶段加入 Causal CoT。光流、深度和点云信息被作为中间物理变量，按照固定顺序参与预测。前一阶段生成的特征会重新进入上下文，后续预测再以此为条件。由于这些监督信号可以从原始视频自动提取，这套 CoT 训练可以扩展到大规模视频数据，而不依赖人工逐帧标注。

第三阶段再用多目标强化学习优化完整生成结果。视频预测本身具有开放性，同一个状态可能对应多个合理未来，单纯监督学习并不能直接保证物理一致性、视觉质量和任务完成度。CausalWM 因此对同一上下文采样多个未来，并根据多类奖励进行组内优化。这样一来，中间 CoT 也不再只是模仿固定模式，而可以根据最终视频质量被进一步调整。

CausalWM 训练的三个阶段：一种共享扩散式转换器先预测光流，然后生成点图，最后预测未来的 RGB 图像。每个完成的流段都会保持不变，作为下一个流段的背景信息；因果注意力机制会屏蔽后续阶段的信息。 图源：Aether AI 官网

CausalWM 还有一个比较有意思的结果：训练 CoT 之后，模型不仅会预测这些中间变量，也更擅长利用新的上下文信息控制。这给模型留下了一个相对通用的控制接口：只要某种控制信号可以被表示成视觉形式，就可以沿着现有 上下文窗口注入模型，实现上下文学习（In-context Learning）。

例如，在机器人场景中，可以把 simulator 给出的机器臂轨迹渲染成运动视频，经过少量微调后，模型就可以根据这些轨迹生成相匹配的未来视频。这意味着，中间变量不再只是 " 解释模型预测 " 的辅助信息，也可以反过来成为因果干涉（Causal Intervention）的窗口。类似机制还可以扩展到物体轨迹、目标姿态等信号。

图源：Aether AI 官网

3. 因果路线真正想省下的是 " 重训税 "

机器人完成一次演示，离规模化部署还很远。

机械臂换了夹爪，工厂换上一批反光零件，家庭环境里多了一张粗糙桌面，模型都可能需要重新采集数据、增加遥操作示范，再做一轮微调。部署方关心演示视频里的成功率，也会追问模型遇到变化后的恢复成本：需要补多少数据？跑多少次真机？投入多少工程人 / 天 ?

这些重复投入，我们认为可以叫作 " 重训税 "。如果因果方法能够让部分机制在新场景中复用，它的商业价值就体现在降低这笔成本上。

如果模型学到的机制能够拆开复用，局部变化就有机会局部调整。桌面摩擦变了，更新接触和滑动相关的部分；夹爪尺寸变了，重新校准本体接口；抓取和放置已经学会，面对新的物体组合时沿用已有经验。只有这套设想能够落地，机器人的边际交付成本才可能下降。

ICLR 2025 的 WM3C 研究沿着相近方向，把语言中的动作和物体拆成可组合的动力学组件，测试模型对未见任务的适配。实验支持因果模块化改善迁移的可能性，不过任务数量有限，验证环境也以仿真为主。

（a）环境模型示意图（b）环境模型的因果图示   图源：《Modeling Unseen Environments with Language-guided Composable Causal Components in Reinforcement Learning》

Aether AI 此前提出的 CD-LAM 则从动作表征入手。论文发现，隐式动作模型容易把背景、场景和镜头变化一并塞进 " 动作 " 表示——下游世界模型名义上接收了动作条件，预测时仍可能依赖画面连续性，甚至在收到静止指令后继续让机械臂移动。

CD-LAM 通过提高机械臂和被操作物体的学习权重，拉近同类动作的表征，然后再把相同画面之间的变化校准为接近零动作。论文在 2B 和 14B 两种模型上报告，接入真实机器人动作后，动作跟随误差相对基线下降约 30%，适配所需更新次数减少 12 倍以上。这项工作说明：控制信号可以通过表示去偏重新接回模型。

CD-LAM 在 DreamDojo 上显著提升了动作跟随、视觉保真度和数据效率。图源：Causally Debiased Latent Action Model for Embodied Action Conditioned World Models

理论给出了因果模型可能更稳健的条件，经验研究的结果则取决于具体任务和数据。

ICLR 2024 的 Robust agents learn causal world models 在特定理论设定中推导出：智能体若要应对足够广泛的分布变化，需要学到近似的数据生成因果模型；

放到世界模型行业，各家选择的入口并不相同：Meta 的 V-JEPA 2 主要在潜空间学习预测和规划；英伟达 Cosmos 提供物理 AI 所需的生成模型和数据工具；Google DeepMind 的 Genie 3 侧重实时可交互环境；World Labs 的 Atlas 处理文本、图像、视频和 3D 共享的空间上下文。Aether AI 选择把运动、几何等中间表征显式化，再尝试让这些表征承担控制条件。

这些路线可以组合——生成模型负责扩充训练环境，潜空间模型提高表征和规划效率，因果模块尝试处理变化中的机制复用。此外，系统效果还取决于一系列模型之外的条件：仿真环境能否重置、干预变量是否可控、验证器是否可靠，以及失败经验能否复用。

目前我们能看到的是，CWM 给出了一种结构设计，TriWorldBench 记录了视频生成侧的成绩。但是两者之间还缺一条证据链：显式的运动和几何中间过程，能否让模型换环境后少补数据、少跑真机、更快恢复？

判断 " 重训税 " 是否真的下降，需要把视线移到更严格的干预评测和真机闭环。

4. 从 Causal CoT 到因果智能，还缺哪些证据？

按照 Aether AI 的长期设想，因果世界模型还要回答：哪些变量真正决定未来，改变某个变量会带来什么结果。第一版 CWM 模型给出的 Causal CoT 的起点已经很具体，但这还不足以说明模型已经找到了真实的因果变量。

第一类证据来自更严格的干预与组合评测。主动改变物体质量、摩擦、光照、相机位置或动作策略，可以观察模型能否分清外观变化与动力学变化。把见过的动作、物体和环境重新组合，再记录模型需要补多少数据、经过多少次更新才能恢复性能。这条恢复曲线比单次 " 零样本成功 " 更接近部署实际。

第二类证据来自真机闭环。世界模型进入真实机器人后，策略要根据预测选择动作，连续处理误差累积，并在失败时找到需要调整的环节。不同路线还应尽量使用相近的数据量、模型规模、交互次数和推理成本。模型版本、训练设置、随机方差与失败案例也需要公开，第三方才能分辨提升来自结构设计还是资源投入。

Aether AI 表示，后续还会继续围绕因果世界模型，探索更优的因果表征学习和因果推理策略，让模型能够更好地识别物理世界中的关键因果变量、理解变量之间的因果依赖，为下一代因果智能（Causal Intelligence）建立基础。从物理世界出发，Aether AI 希望进一步打通因果世界理解与行动生成，让模型从预测世界，走向理解因果、利用因果并作用于世界，最终实现：让 AI 理解什么真正影响结果，以及不同的行动与干预将如何改变未来。