本文主要由伊利諾伊大學(xué)香檳分校的錢成博士牽頭合作完成。錢成目前為二年級(jí)博士生，其主要研究方向?yàn)榇竽Ｐ万?qū)動(dòng)智能體，包括智能體推理，交互以及物理智能等。導(dǎo)師為季姮教授。

2025 年是 Agent（智能體）技術(shù)落地元年，而如今到了 2026年，World Model（世界模型）也隨之有了更廣泛的技術(shù)突破。我們一邊擁抱著五花八門的智能體應(yīng)用給生活帶來切實(shí)的便利，另一方面，我們也在加強(qiáng)世界模型的可信度與真實(shí)性，希望著它們?cè)谖磥砟軌蛸x能智能體，讓智能體能夠真正像人類辨別物理空間，思考物理規(guī)律，從而更加高效且精準(zhǔn)的做出推理與決策。

這二者的相繼爆火并非偶然。如果從更本質(zhì)的視角來看待世界模型和智能體的關(guān)系，便會(huì)發(fā)現(xiàn)：世界模型的本質(zhì)在于接收當(dāng)下對(duì)于環(huán)境的動(dòng)作或擾動(dòng)，在物理規(guī)律或環(huán)境限制的調(diào)控下，進(jìn)而預(yù)測下一步的環(huán)境狀態(tài)；而智能體則是根據(jù)當(dāng)前環(huán)境狀態(tài)，在任務(wù)目標(biāo)的調(diào)控下，輸出下一步應(yīng)該做出的反應(yīng)或動(dòng)作。

從這個(gè)角度看，世界模型和智能體其實(shí)是一個(gè)天生互補(bǔ)的閉環(huán)，而這也正是世界模型能夠理論上賦能智能體決策的基礎(chǔ)。

從智能體的角度來看， 世界模型對(duì)其的賦能叫做 Foresight（前瞻）。世界模型能夠在智能體并沒有做出任何動(dòng)作前便模擬出可能的后果，就像人類會(huì)「腦補(bǔ)」假如做了某件事之后可能會(huì)產(chǎn)生的影響，從而避免危害，提高效率，更加理性的在當(dāng)下進(jìn)行決策。只不過，人類更像是智能體和世界模型的結(jié)合體，因?yàn)榧葥碛星罢澳芰?，也是任?wù)的執(zhí)行者。

但是當(dāng)下智能體和世界模型往往是按照兩個(gè)完全不同的范式分開訓(xùn)練，那么便再換一種更加簡單的思路：從智能體的角度，如果世界模型就是用來提供前瞻性的工具或第三方模塊，那么后者在當(dāng)下能夠成功賦能智能體決策嗎？

來自伊利諾伊大學(xué)香檳分校、清華大學(xué)、約翰霍普金斯大學(xué)以及哥倫比亞大學(xué)的研究人員在反復(fù)試驗(yàn)后，卻得出來一個(gè)與我們的直覺有點(diǎn)相反的結(jié)論：大多數(shù)當(dāng)下智能體并不能穩(wěn)定、有效地把世界模型當(dāng)作前瞻工具。

這個(gè)工作也點(diǎn)出了在當(dāng)下智能體與世界模型交接之年熱潮背后真正的瓶頸：如果真的希望世界模型能夠有效賦能智能體，我們不僅需要智能體更強(qiáng)的執(zhí)行能力或是世界模型更真實(shí)的模擬能力，同時(shí)也需要二者更好的磨合和適配，即智能體需要知道這個(gè)前瞻能力怎么用、何時(shí)用，才能更好地把推演融入到其多步?jīng)Q策的閉環(huán)中。這項(xiàng)能力在文章中被稱作 Foresight Governance（前瞻治理）。

• 論文地址：https://arxiv.org/pdf/2601.03905

將世界模型的前瞻「工具化」

對(duì)于智能體而言，萬物皆是達(dá)成目標(biāo)的工具：互聯(lián)網(wǎng)，數(shù)據(jù)庫，甚至是人類，其實(shí)都可以看作是智能體為了達(dá)到目標(biāo)的工具箱。

例如智能體向用戶反問了一個(gè)澄清性質(zhì)的問題，這時(shí)「向用戶澄清」，或者說「向用戶索要額外信息」便也可以看作是其為了達(dá)成目的的手段或工具之一。這一論斷在 MCP 以及 Skill 興起后更是如此，因?yàn)榧寄芷鋵?shí)就是工具的抽象化，而統(tǒng)一接口后，智能體通過 MCP 對(duì)于外部的所有認(rèn)知都可以看作是技能化，工具化的。

那么，從智能體的角度，它將怎么看待世界模型呢？答案呼之欲出，那便是將世界模型也看作一種能夠提供前瞻性的工具?；谶@個(gè)思路，文章作者首先構(gòu)建了一套以智能體為核心，將世界模型「工具化」的研究范式。

圖 1: 在世界模型「工具化」的范式下，智能體在每一步執(zhí)行前能夠自行選擇是否調(diào)用世界模型進(jìn)行前瞻

在這套范式中，智能體不僅能夠調(diào)用傳統(tǒng)意義上的工具來執(zhí)行和解決問題（例如不同 API 接口），同時(shí)其也可以在進(jìn)行每一步行動(dòng)前，都自行選擇是否調(diào)用是世界模型來對(duì)動(dòng)作影響進(jìn)行前瞻。

例如在上圖的例子中，把智能體放置于一個(gè)密室逃脫的具身環(huán)境中，智能體便可以選擇調(diào)用模擬器對(duì)鐵柵拉拽的動(dòng)作后果進(jìn)行前瞻和評(píng)估，從而更高效的找到真正的逃脫出口。

任務(wù)與測試模式拆解

作者在文章中主要探索了兩類任務(wù)，其中每一類，世界模型都能「理論上」輔助智能體更好的進(jìn)行決策和規(guī)劃：

• 智能體任務(wù)（Agentic Task）：這類任務(wù)通常把智能體放置于一個(gè)模擬環(huán)境中，其需要主動(dòng)進(jìn)行多部推理來達(dá)成任務(wù)目標(biāo)，例如推箱子，物品拾取，定向?qū)の锏鹊取?/li>

在智能體任務(wù)中，環(huán)境模擬器本身便是一個(gè)天然的世界模型，其能夠直接幫助智能體獲得精準(zhǔn)的動(dòng)作前瞻信號(hào)，理論上應(yīng)當(dāng)能幫助智能體規(guī)避一些不可逆的錯(cuò)誤，讓目標(biāo)完成更加精準(zhǔn)與高效。

• 視覺推理任務(wù)（VQA Task）：文章還挑選了一部分有關(guān)空間感知的視覺推理任務(wù)進(jìn)行評(píng)測，例如圖片中物品相對(duì)位置的判斷，相機(jī)視角的切換等等。這些任務(wù)雖然以圖片作為輸入，但是智能體往往也能用世界模型的預(yù)測更加精準(zhǔn)的把握?qǐng)D片所反映的三維空間中的物品位置，視角等等，進(jìn)而理論上輔助視覺推理任務(wù)的作答。

在這類任務(wù)里，我們不再有一個(gè)百分百準(zhǔn)確的模擬器提供真實(shí)的前瞻信號(hào)，因此作者采用了以開源模型 WAN2.1 進(jìn)行 Rollout 的方式，模擬對(duì)于智能體指定動(dòng)作的前瞻預(yù)測，并將視頻信息返回給后者，以幫助其進(jìn)行推理。

除了這兩類任務(wù)，文章還采用了三種評(píng)測模式來進(jìn)行對(duì)比分析：

• 原始模式（World Model Invisible Mode）：即被測模型正常完成任務(wù)，不知道世界模型的存在，也不會(huì)調(diào)用世界模型的前瞻信號(hào)來進(jìn)行輔助；
• 正常模式（Normal Mode）：即被測模型知道世界模型的存在，也知道如何調(diào)用，可以自由地在每一步執(zhí)行前決定是否調(diào)用。這也是文章的主實(shí)驗(yàn)設(shè)置；
• 強(qiáng)制模式（World Model Forcing Mode）：即被測模型知道世界模型的存在，并且在每一步執(zhí)行前都被系統(tǒng)強(qiáng)制要求必須要調(diào)用世界模型，運(yùn)用前瞻，以對(duì)當(dāng)前動(dòng)作產(chǎn)生的影響進(jìn)行預(yù)測和評(píng)估。

世界模型對(duì)智能體的賦能并不可靠

對(duì)比原始模式以及正常模式，在 GPT、Llama、Qwen 等當(dāng)下主流模型上，文章發(fā)現(xiàn)了有點(diǎn)出乎意料的結(jié)果。

圖 2: 在智能體任務(wù)（上） 以及視覺推理任務(wù)（下）上的主要實(shí)驗(yàn)結(jié)果：世界模型帶來的動(dòng)作影響前瞻，就算是百分百精準(zhǔn)的，也并不能如期的幫助智能體提升能力。

發(fā)現(xiàn)一：世界模型帶來的增強(qiáng)并不可靠，很多時(shí)候反而會(huì)拖后腿

文章對(duì)比了正常模式和原始模式，并發(fā)現(xiàn)在智能體任務(wù)中，被測模型在引入智能體的前瞻信號(hào)后，并沒有有效的對(duì)其進(jìn)行利用，反而是將其當(dāng)作了噪聲，從而使得平均表現(xiàn)甚至更差。這并不是前瞻信號(hào)不準(zhǔn)確造成的：因?yàn)樵谥悄荏w任務(wù)中，前瞻信號(hào)來自模擬器真實(shí)的直接模擬，這個(gè)返回結(jié)果一定是百分百準(zhǔn)確的，但是被測智能體始終還是無法有效對(duì)其進(jìn)行理解。

在視覺推理任務(wù)中，作者也發(fā)現(xiàn)了類似的現(xiàn)象：模型在利用前瞻信號(hào)后提升很小，幾乎可以忽略不計(jì)。這些所有結(jié)果都在挑戰(zhàn)著「世界模型都應(yīng)該能天然賦能智能體行動(dòng)」的直覺，也提醒著我們?cè)谀壳爸悄荏w和世界模型分開訓(xùn)練的范式下，二者的磨合還并不夠完善。

圖 3: 在不同任務(wù)上模型調(diào)用世界模型的平均次數(shù)：大部分模型很多時(shí)候并不愿意調(diào)用世界模型進(jìn)行前瞻，而更相信自身推理。

發(fā)現(xiàn)二：被測模型往往根本不愿意調(diào)用世界模型進(jìn)行前瞻

文章還額外統(tǒng)計(jì)了世界模型在每個(gè)任務(wù)中平均被調(diào)用的次數(shù)。統(tǒng)計(jì)完才發(fā)現(xiàn)，在正常模式下，很多模型去嘗試進(jìn)行前瞻的意愿甚至都非常低，對(duì)于世界模型的調(diào)用率也整體偏低。

這個(gè)傾向在視覺推理任務(wù)上尤其明顯：很多模型家族對(duì)于世界模型前瞻的調(diào)用不足 0.1，GPT-5 更是一次調(diào)用都沒有，完全相信著自己的推理能力。但是從圖 2 的模型表現(xiàn)來看，其僅憑借自身的推理也并沒有達(dá)到接近滿分的程度。

這個(gè)結(jié)果也意味著，被測智能體并不是不會(huì)調(diào)用世界模型，很多時(shí)候只是單純的自信，不想調(diào)用外部信號(hào)來增強(qiáng)自身前瞻。大部分目前模型都缺乏著對(duì)于自身的清晰認(rèn)知，不知道對(duì)于前瞻應(yīng)當(dāng)何時(shí)利用。

圖 4: 世界模型前瞻的調(diào)用對(duì)于不同模型的影響：好壞往往相互抵消。

發(fā)現(xiàn)三：不同模型家族的調(diào)用性格不同，但都不等于會(huì)用

文章還觀察到了一些有趣的模型家族間的差異：有的模型家族會(huì)更積極的調(diào)用前瞻信號(hào)，但收益不明顯，例如 Llama 系列模型便是如此。而就算在同一個(gè)模型家族中，往往小模型也會(huì)更愛調(diào)用世界模型提供的前瞻信號(hào)，而大模型往往更加自信，傾向于「我自己想就夠了」。這點(diǎn)比較符合直覺，因?yàn)樾∧Ｐ屯枰獠抗ぞ叩恼{(diào)用來彌補(bǔ)自身能力的不足。這個(gè)現(xiàn)象往往被稱作Cognitive Offloading（認(rèn)知負(fù)擔(dān)轉(zhuǎn)移）。

但是同時(shí)，從結(jié)果當(dāng)中也不難看出，對(duì)于世界模型調(diào)用率高的也并不意味著表現(xiàn)就一定會(huì)上升，而調(diào)用率低的也并不意味著就更安全。就像圖 4 當(dāng)中所展現(xiàn)的，世界模型對(duì)于目前智能體表現(xiàn)來說，功過往往相抵。

這一現(xiàn)象表明除了何時(shí)利用的問題，智能體目前還需要學(xué)會(huì)如何更好的將前瞻融入到推理中，即怎樣利用。

智能體與世界模型交互的關(guān)鍵在于前瞻治理

上述的所有發(fā)現(xiàn)都推動(dòng)著研究人員進(jìn)一步思考，智能體與世界模型的交互到底是哪里出現(xiàn)了問題。從何時(shí)利用，到怎樣利用，文章作者總結(jié)出了當(dāng)前世界模型賦能智能體問題的根源：前瞻治理。

雖然結(jié)果都有點(diǎn)出乎意料，但是文章并非想表達(dá)這個(gè)范式是錯(cuò)的或者世界模型的前瞻沒用。恰恰相反，如果整個(gè)智能體與世界模型交互的閉環(huán)每一步都能夠進(jìn)行更好的前瞻治理，我們反而能幫助智能體更好的利用世界模型，從而對(duì)環(huán)境進(jìn)行感知與學(xué)習(xí)。

文章對(duì)于前瞻治理給出了三個(gè)重要的方面，并拆開構(gòu)建了詳細(xì)的類別框架：

• 第一階段：Foresight Formulation （問什么），即智能體側(cè)何時(shí)應(yīng)當(dāng)用到前瞻，以及在請(qǐng)求世界模型模擬時(shí)應(yīng)當(dāng)模擬什么的策略；
• 第二階段：Simulation Generation （模擬什么），即世界模型側(cè)在進(jìn)行模擬時(shí)如何保證真實(shí)，高質(zhì)量，能夠更有效的輔助智能體；
• 第三階段：Interpretation & Integration（怎么用），即智能體側(cè)在接收返回的前瞻信號(hào)后，如何有效對(duì)其利用，指導(dǎo)下一步行動(dòng)。

圖 5: 模型能夠成功進(jìn)行前瞻治理的原因分析。

成功的前瞻治理：三件事缺一不可

• Strategic Input（技巧性的前瞻請(qǐng)求策略）：智能體要能想到該如何向世界模型發(fā)起請(qǐng)求，請(qǐng)求什么。在智能體任務(wù)中，這個(gè)請(qǐng)求往往就是下一步要執(zhí)行的動(dòng)作本身，可能沒有太多策略可言。但是在視覺推理任務(wù)中，策略就顯得尤其重要。例如任務(wù)在詢問相機(jī)視角是如何切換的時(shí)候，智能體便可以讓世界模型模擬視角向左轉(zhuǎn)，向右轉(zhuǎn)等，并進(jìn)行比較，看哪個(gè)模擬更加符合現(xiàn)實(shí)，進(jìn)而進(jìn)行作答。這便是利用世界模型進(jìn)行假設(shè) - 驗(yàn)證。當(dāng)然還有更多的請(qǐng)求模式，需要智能體來進(jìn)行學(xué)習(xí)和探索。
• Governance of Meaning（對(duì)于模擬結(jié)果的語義把握）：在成功進(jìn)行前瞻治理的測試案例中，作者發(fā)現(xiàn)智能體往往能夠準(zhǔn)確把握模擬返回的精準(zhǔn)內(nèi)涵，例如從視覺信號(hào)當(dāng)中得到模擬的動(dòng)作是否能夠有效推進(jìn)任務(wù)進(jìn)度等等。這需要智能體模型提升自身對(duì)于視覺或者視頻信號(hào)的理解能力，也就是視覺智能體的基座能力。能把模擬當(dāng)成驗(yàn)證 / 消歧證據(jù)，而不是僅僅是解題思路的裱花。
• Governance of Action（對(duì)于后續(xù)動(dòng)作的有效指導(dǎo)）：智能體同時(shí)還需要穩(wěn)定地把前瞻結(jié)果融入到下一步的行動(dòng)策略，進(jìn)而形成連貫思路軌跡，以達(dá)到最終目標(biāo)。文章作者注意到很多時(shí)候智能體僅僅是把模擬結(jié)果當(dāng)成思路的「裱花」和單純印證，而并非將前瞻信號(hào)利用為消歧的證據(jù)，這就導(dǎo)致智能體往往在「為了前瞻而前瞻」，而并沒有真正把前瞻到的影響轉(zhuǎn)化為行動(dòng)上的指導(dǎo)。

圖 5: 模型前瞻治理失敗的原因分析

失敗的前瞻治理：常見崩壞模式

• Over Planning（過度重復(fù)）：智能體往往重復(fù)對(duì)于世界模型相同的前瞻模擬請(qǐng)求，而并沒有真正去推進(jìn)任務(wù)，這就導(dǎo)致了智能體變成仿佛「拖延癥患者」，直到用盡交互輪數(shù)也沒法有效的推進(jìn)任務(wù)進(jìn)度；
• Inefficient Tool Use（無效調(diào)用）：即智能體的模擬請(qǐng)求本身含糊不清，沒能有效的告訴世界模型自己到底想要看到什么樣子的模擬或者影響；
• Confusion & Misinterpretation（模糊歧義）：很多時(shí)候，因?yàn)橹悄荏w自身對(duì)于想要前瞻什么都沒表達(dá)清楚，世界模型的返回便會(huì)非常模糊存在歧義。而這樣的歧義在返回給智能體讓其進(jìn)行下一步動(dòng)作時(shí)，智能體會(huì)變得更加疑惑，從此陷入惡性循環(huán)。也就是說，在整個(gè)智能體以及世界模型交互的閉環(huán)中，錯(cuò)誤和歧義會(huì)被不斷放大。
• Action Loops / Loss of Focus（推理失焦）：智能體在利用前瞻信號(hào)時(shí)，行動(dòng)往往前后震蕩，無法形成連貫有效的思路，或者跳出現(xiàn)在錯(cuò)誤的想法。這便會(huì)導(dǎo)致智能體推理有時(shí)陷入死循環(huán)，或者干脆直接被前瞻信息誤導(dǎo)而跑題。

基于上述這些觀察，文章也點(diǎn)出了一個(gè)核心論斷：目前智能體與世界模型有效交互的主導(dǎo)瓶頸是前瞻治理的穩(wěn)定性。這啟示著之后的研究除了可以做更大更強(qiáng)的智能體或世界模型，同時(shí)也需要從智能體的角度探索如何更好地做調(diào)度、校準(zhǔn)、以及證據(jù)整合。

對(duì)智能體 + 世界模型熱潮的啟示

啟示一：比起單純把世界模型接進(jìn)工具箱，智能體更需要先學(xué)會(huì)判斷「這一步值不值得前瞻」

從文章結(jié)果來看，很多智能體的問題出在并不是沒有世界模型可用，而是不知道什么時(shí)候該用、用了是否真的劃算。說到底，當(dāng)前智能體缺少的是一套對(duì)于前瞻調(diào)用時(shí)機(jī)、收益與風(fēng)險(xiǎn)的基本判斷機(jī)制。只有先學(xué)會(huì)評(píng)估當(dāng)前動(dòng)作到底有沒有不確定性，前瞻能不能真正減少?zèng)Q策偏差，世界模型才不會(huì)只淪為一個(gè)擺設(shè)。

啟示二：世界模型真正要賦能智能體的應(yīng)是能夠被當(dāng)作證據(jù)使用的前瞻信號(hào)

文章里很多失敗，本質(zhì)上都不是因?yàn)槟Ｐ褪裁炊紱]看到，而是看到了以后也沒有把這些信息轉(zhuǎn)化成有效的判斷依據(jù)，最終仍然被主觀推理帶偏。這說明未來世界模型的輸出如果只是更長的狀態(tài)描述、更完整的生成畫面，未必就能真正幫到智能體。相比之下，哪些變量發(fā)生了變化、哪些差異最關(guān)鍵、哪些結(jié)論更值得相信，反而可能是更重要的智能體與世界模型間的接口形式。

啟示三：未來真正需要對(duì)齊的是智能體如何圍繞前瞻建立起穩(wěn)定的治理能力

這篇工作最值得重視的一點(diǎn)正在于，它已經(jīng)在盡量理想的條件下給了智能體一個(gè)足夠可靠的模擬器，但結(jié)果依然說明，問題并不會(huì)因?yàn)槟M更準(zhǔn)就自動(dòng)消失。比起繼續(xù)單純追求更強(qiáng)大的模型，后續(xù)研究或許更需要回答的問題是智能體怎樣提出更好的前瞻請(qǐng)求，怎樣理解返回結(jié)果，又怎樣把這些結(jié)果真正轉(zhuǎn)化為下一步行動(dòng)。換句話說，這點(diǎn)出了真正需要補(bǔ)上的不只是模擬能力，而是圍繞前瞻展開的整套治理能力。