世界模型与多模态大模型有什么区别？

二者虽都处理多种模态，但设计重心不同，在具身智能系统中常协同工作。

1. 多模态大模型以语言为中心

多模态大模型（如视觉语言模型 VLM）通常以语言为中心：视觉信息在编码器处进入，随后被送入语言主干网络，其核心能力是对图像、视频内容进行理解、描述与问答，输出以语言为主。

2. 世界模型以世界状态为中心

世界模型的输出不是语言描述，而是对环境状态、几何结构或动作后果的预测。英伟达 Jim Fan 的对比较为典型：世界模型从根本上以视觉为中心，而 VLM 本质上以语言为中心。

3. 二者协同构成完整链路

这并不意味着二者对立——在具身智能系统中，多模态大模型常承担感知理解与语义推理，世界模型承担物理推演与模拟，二者协同构成"感知—理解—预测—行动"的完整链路。