机器人世界模型的闭环底图：long-horizon 论文都在改哪个零件

long-horizon world model 的论文表面上很分散：latent dynamics、object slots、event verifier、memory、JEPA、video foundation model。把它们放回同一张图——机器人用一个学出来的想象器在脑子里选动作的闭环——就会发现，每篇都在改这张图的某一个零件。这篇用这张底图当轴，把近半年的前沿工作挂回各自的位置。

先把这张图画清楚

用一个具体任务贯穿全程：机械臂去抓桌上的杯子，放进柜子里。

机器人此刻看到一张图，这是它的当前状态 s_t。它要决定手怎么动，办法是先在脑子里试、再动真的。它脑子里有一个 world model：给它「现在长这样 + 我打算这么动」，它能想象「下一刻会变成什么样」。这个想象器是学出来的，所以会犯错。

机器人在脑子里试很多套动作方案，每套叫一个 candidate action sequence。对每一套，用 world model 一步一步往后想象：现在 → 下一刻 → 再下一刻，这条想象出来的未来序列就是 rollout。往后想象到第几步停，那个步数就是 horizon；固定 horizon 指不管什么情况都想象固定的 H 步。

每条想象出来的未来都要打分：这条路最后能不能把杯子放进柜子。打分用 reward 加 value。value 是在想象的终点之后，估计「接下来还能拿多少分」——因为只想象了有限几步，终点之后的好坏没法继续想象，得靠一个 value 函数补上。

终点怎么跟 value 接上，是这张图的一个关键细节。value 本身也是学出来的，用 TD（时序差分）训练：让「这一步的 value」逼近「这一步的 reward 加上下一步的 value」，一环扣一环，把长期回报回灌到短视界的终点。TD-MPC 就是这么把「短想象 + 长期价值」接起来：latent dynamics 只向前 rollout 几步，terminal value 估计更远的未来。

选分最高那套，只执行第一步，然后重新看一眼真实世界（reobserve），整个循环再来一遍。这个「想象 → 打分 → 选 → 走一步 → 再看」的搜索器，整体叫 planner / MPC。planner 就是那个在脑子里搜动作的东西。

误差本身不可怕，可怕的是误差改变了决策

world model 是学出来的，想象越远、错得越多，误差一步步累积。但不同处境下，能安全想象的步数并不一样。手在空中朝杯子飞（free space），动力学平滑，模型想得远也准；手指碰到杯子开始抓（in-contact），力、摩擦、滑动一瞬间全变，模型最容易想错；杯子被柜门挡住（occlusion），当前这张图看不见杯子，模型得靠记忆；从「抓」切到「放」（subtask transition），还得判断阶段对不对。

这里要分清两种东西。普通预测误差是模型想象的未来和真实不一样：想象杯子在左，真实在右。horizon failure 是这个错误已经害 planner 选错了动作：模型想象「方案 A 能成功」，planner 信了选了 A，真机一执行 A 失败。要害在于——误差本身不可怕，可怕的是误差改变了决策。下面所有的零件，归根结底都在防这一件事。

七个零件，和它们各自的前沿

把这条闭环拆开，每个零件都能单独换、单独改。下面七节，每节先说这个零件是什么、它在哪失败，再把近半年（2026 上半年）顶级机构的工作挂上去；机构与时间均按 arXiv 与官方页核对。这是一张阅读地图，不是逐篇精读的定论：表里多数还在初读层，强结论需要回到原文核对。

① 用什么表示世界

rollout 在某个状态空间里进行：像素、物体块（object slots）、3D 点、或压缩的 latent。表示选错，后面全错——像素逼真但任务相关的状态丢了，或 latent 漂移到无意义的区域。这一年的主线是「让 latent 真的对应世界的自由度」：JEPA 把表示学得更稳、object-centric 把状态拆成持久的物体。

② 哪些过去要记住

当前一帧看不到的事实——被遮挡的物体、早先发生的事件、已数过的个数——会让只看当前帧的策略失败。这个零件管「该往记忆里写什么」：不是把所有历史都塞进上下文，而是选关键时刻写入。

③ 动作如何改变世界

这是 transition function：给状态和动作，预测下一刻。长任务里最难的是接触——抓、推、插、滑、落——动力学模式在接触瞬间离散切换；一个被平均过的 monolithic latent dynamics 会把这些切换抹平，错误沿 rollout 累积。

④ 任务到底成没成

想象的画面可以看着完全对，但关键谓词其实没成立——杯子并没有真进柜子。这一年最清楚的趋势之一，就是从「画面合理」转向「事件/进度是真的」：用 event、predicate、reward model 或 verifier 检查任务有没有成，而不只看像素或 latent 距离。

⑤ 这段想象能信多远

固定 horizon 默认模型在所有状态下都能信同样远。但可信的 rollout 长度（trust horizon）随状态、任务阶段、接触模式而变。这个零件把「能信几步」变成一等的算法对象：可变长度、按不确定性自适应截断、或分层调度。如何把它做成可测的实验，我单独写过一篇。

⑥ planner 会专挑模型的漏洞

world model 被动预测时没人搜它；放进 planner 后，planner 为了拿高分会主动找「模型给超高分、其实是幻觉」的动作，把模型带到训练时没见过的区域。所以可信几步不只看状态，还看 planner 多会钻空子——这是状态与 planner 共同决定的。这个零件的工作要么诊断这种利用、要么用想象闭环反过来加固模型。

⑦ 动作接口、评测与数据

这个零件不直接动想象本身，而是决定想象能不能用上：动作以什么单位输出（action chunk、latent action）、用什么 benchmark 量世界模型好不好、数据从哪来。它是其余六个零件的地基。

另一条长时序轴：不要和机器人闭环混在一起

「long horizon」这个词还指另一件事：LLM / coding agent 的任务时长——一个 agent 跨很多步工具调用、跨会话维持执行状态。它和机器人世界模型的 rollout horizon 不是同一个单位，机制也不同（靠 harness、记忆、外部验证，而不是想象动力学）。下面这些放在这里单列，避免和上面的闭环混为一谈。

回到这张图

把上面几十篇放回那张闭环图，会看到一件事：大家不是在做几十个互不相干的问题，而是在改同一个回路的不同零件。表示层在让 latent 真对应世界；记忆层在选该记的关键时刻；动力学层在不把接触切换平均掉；事件层在问任务谓词是不是真的成立；trust horizon 层在量这段想象能信多远；planner 层在防优化器钻模型空子；接口与评测层在给前六个零件搭地基。

这张图也是一把筛子。读一篇新论文时，先问它动的是哪个零件、为什么改、拿什么证据证明改对了。零件清楚了，「long horizon」就不再是一个发散的形容词，而是一个具体的位置：在 planner 查询 world model 的那一刻，当前状态、候选动作和 imagined rollout 共同决定模型还能被信任多远。

References

1. Nicklas Hansen, Xiaolong Wang, Hao Su, Temporal Difference Learning for Model Predictive Control (TD-MPC); TD-MPC2.
2. ① 状态表示：Latent Particle World Models, 3D-DLP, Physical Object Understanding, V-JEPA 2.1, LeWM, When Does LeJEPA Learn a World Model?, Slot-MPC, PointWorld.
3. ② 记忆：MemoryWAM, Mem-World, MEM, KEMO, EventVLA, World-Ego Modeling.
4. ③ 预测动态：PRISM-WM, DreamDojo, LingBot-VA, Contact-Rich SE(2) Global Planning, IMPASTO.
5. ④ 事件验证：EV-WM, World Action Verifier, CoVer, RoboReward, H-WM.
6. ⑤ Trust horizon：NEUBAY, Variable-Length Latent World Models, Hierarchical Planning with Latent World Models, Universal Horizon Models.
7. ⑥ planner–模型关系：Closing the Train-Test Gap, GRASP, stable-worldmodel, VLAW, RISE, Affordances Enable Partial World Modeling, TiPToP, GHOST, Q-learning with Adjoint Matching.
8. ⑦ 接口/评测/数据：WorldArena, LDA-1B, Rethinking Video Generation for the Embodied World, π0.7, Ego-Pi, Tune to Learn, Preventing Learning Stagnation in PPO, WEAVER.
9. 另一条长时序轴：Reinforcement World Model Learning for LLM Agents, CaP-X, Solving Physics Olympiad via RL.