世界模型解决了大语言模型的哪些局限？

世界模型主要针对大语言模型在物理常识与因果推理上的短板，这些短板已被多项基准测试证实。

1. 文本语料中物理常识天然稀缺

人们很少反复写下"杯子会掉下去""湿地会打滑"这类事实，导致语言模型在这类问题上能力有限——语料记录的是对世界的描述，而非世界运行的规律本身。

2. BLINK 基准：感知能力接近随机

在涉及深度、空间对应、多视角推理的 BLINK 基准上，GPT-4V 与 Gemini 的准确率分别仅为 51.26% 与 45.72%，而随机猜测基线为 38.09%，说明主流视觉语言模型的感知能力与随机猜测差距不大。

3. PhysBench 基准：物理理解不随规模提升

在覆盖摩擦、密度、碰撞、流体等维度的 PhysBench 基准上，研究者对 75 个视觉语言模型、10002 条样本的实验发现，物理理解并不会随模型规模、数据量或视频帧数稳定提升。

4. 从语义理解到物理推理的鸿沟

这种局限在高容错成本场景中表现为"幻觉"。世界模型通过让机器直接从视觉、三维运动乃至触觉信号中学习物理规则，使智能体能够推演"如果采取动作 A，环境会发生什么改变 B"，从而在金融、医疗、工业等需要稳定物理因果推理的场景中弥补语言模型的不足。