[其他] Agentic世界模型综述：L1-L3能力层级与四大法则领域框架解析

所有人都在说“世界模型（World Modeling）”，但这个词在不同领域完全不是一个意思。
强化学习社区用它学状态转移概率，视频生成社区用它预测下一帧画面，机器人团队用它做运动规划，科学发现团队用它模拟实验结果。这篇42位作者联合完成、综述400余篇工作的论文，第一次用“能力×法则”双轴框架，把所有叫“世界模型”的系统放到了同一张地图上。

它到底在解决什么
当AI从“生成文字”进化到“在环境里持续做事”——操控物体、浏览网页、与人协作、设计实验——预测环境变化的能力就成了核心瓶颈。但各社区各做各的，术语不通，评估标准不兼容，导致大量重复劳动和无效对比。这篇论文要做的，就是给整个领域建一套公共语言。

框架怎么拆
框架核心是两条正交轴。第一条是能力层级，分三档：  

• L1 Predictor：只做一步局部预测。Sora 生成下一帧视频、MuZero 预测棋盘下一步，都属于这个层级。L1的局限很明确——优化的是单步精度，不保证多步连贯，容易积累复合误差。  
• L2 Simulator：把L1的单步预测串成完整轨迹，还要遵守领域约束。Dreamer 系列做机器人规划、WebAgent 做网页操作，都试图达到这个层级。L2必须同时满足三个边界条件：长程连贯（多步不崩）、干预敏感（改动作能引发合理的轨迹变化）、约束一致（遵守物理定律或API规则）。  
• L3 Evolver：当L2的预测和新证据不符时，L3能主动设计实验、收集数据、修正自己的模型。它不再是被动的模拟器，而形成了“设计→执行→观察→反思”的闭环。

第二条轴是法则领域：物理世界（几何、运动学）、数字世界（API契约、状态机）、社会世界（信念、规范、契约）和科学世界（因果机制）。每个领域决定了模型必须满足的约束，也决定了它最可能在哪里崩。

关键发现
论文综述了五个领域——强化学习、视频生成、网页/GUI Agent、多智能体模拟和AI科学发现——的100多个代表性系统，得出几个重要结论：
决定世界模型上限的不是画质，而是约束建模。 显式地编码领域法则，比单纯追求感知保真度对长程稳定性更有帮助。  

目前绝大多数系统停留在L1，部分达到L2，但几乎没有系统真正实现L3。L2的常见失败模式包括：复合误差累积、状态漂移、可控性失效、分布漂移下的校准崩溃。
L3才是世界模型的终极形态。 它代表的质变是——模型本身成了被修改的对象，而不是固定的工具。论文甚至展望了“L3之后的元世界建模”：连法则本身都可以被学习和修正。

这意味着什么
对于做AI Agent产品的团队，这篇综述的实际价值是一张选型路线图：先判断你的Agent需要L几的能力、落在哪个法则领域，再选对应的技术方案。而不是盲目堆参数、拼画质，最终发现系统一跑长程就崩。

论文标题: Agentic World Modeling: Foundations, Capabilities, Laws, and Beyond
论文链接: https://arxiv.org/abs/2604.22748
GitHub: https://github.com/matrix-agent/awesome-agentic-world-modeling

在云栈社区，开发者们持续追踪世界模型与 Agent 的前沿进展，欢迎来社区分享你的实践与见解。