World Model 的 Transition Operator：VLWM 和 PRISM-WM 改了同一个接口

在 model-based RL 里，world model 很少单独存在。它通常被 planner 反复调用，用来比较多条候选动作序列。planner 从当前状态出发，把一串动作交给模型，得到预测状态、预测 reward 或 terminal value，再决定真实环境里下一步执行什么。

这个被反复调用的部分，可以叫 transition operator。它是 learned dynamics 的接口。经典写法是：

\(z_t\) 是 observation 编码后的 latent state，\(a_t\) 是动作，\(d_\theta\) 是模型学出来的 dynamics function。它不等于真实物理定律本身。它更像 planner 手里的模拟器接口：planner 相信这个接口返回的未来，并在这个未来上优化动作。

许多 world-model 方法都沿用一个朴素假设：一个平滑的、单一的 transition function 可以处理 planner 需要的未来预测。VLWM 和 PRISM-WM 的关系，正好可以从这里看清楚。它们改的模块不同，修正的假设相同。

VLWM 改的是时间跨度

Variable-Length Latent World Models 提出的改动很直接。旧接口只训练一步预测：

长程规划时，planner 必须把这个一步模型反复应用：

每一步预测误差都会进入下一次预测的输入。模型先前的输出逐渐取代真实状态，rollout drift 由此产生。

VLWM 把训练目标改成可变长度预测：

动作不再只作为某一层里的辅助 conditioning。VLWM 把 action embedding 当作 token，放进 transformer sequence 里。action segment 的长度变了，输入序列长度也跟着变。模型输出最后一个 token 对应的未来 latent。

训练时，\(k\) 从短到长逐渐加入。论文使用 cumulative-uniform curriculum：先训练 \(k=1\)，再训练 \(k \in \{1,2\}\)，最后覆盖 \(1,\ldots,K_{\max}\)。实验配置里 \(K_{\max}=5\)，frame-skip 为 5，所以单个 latent jump 最多覆盖 25 个环境步。

推理时，真实环境仍然一步步执行动作。变化发生在 planner 评估候选动作序列的方式上。模型可以用几个 chunked latent jumps 估计未来，例如：

这减少了递归调用次数，也让模型在训练阶段见过不同时间尺度的目标。

长目标为什么可能更有用

相邻视频帧通常包含大量冗余。一个模型只需要让 latent 轻微移动，就可能在 \(t \rightarrow t+1\) 上取得很低的 loss。它可以学到局部连续性，却没有被迫表示一段动作的累计后果。

\(t \rightarrow t+k\) 的目标更难。难点本身带来约束：模型需要解释一段动作之后的状态变化。TwoRoom 里，重要事件是穿过门；PushT 里，重要变化是物体姿态被推向目标；这些变化在单步预测里经常被局部平滑掩盖。

这不意味着长跨度天然更准。长目标的噪声更大，优化更不稳定。VLWM 的判断是：短跨度提供局部细节，长跨度提供结构约束，curriculum 让模型先学稳定的短程动态，再逐步接受更远的监督。

实验里的证据也应按这个边界读。VLWM 在 PushT、OGBench-Cube 和 TwoRoom 的 goal-conditioned planning 上比较 LeWorldModel。长 offset 下提升更明显，例如 TwoRoom-100 从 LeWM 的 36% 到 VLWM 的 68%。但主图使用 per-cell oracle planner，在每个任务和 offset 上选择 P1/P2/P3 里最好的策略。论文证明 variable-length transition 有价值，在线选择 chunk length 的问题仍然开放。

PRISM-WM 改的是物理模式

PRISM-WM 改同一个 transition operator 的另一维。

机器人动力学在接触丰富的任务里经常带有 hybrid structure：连续运动会被离散事件打断。脚接触地面、腾空、滑动、撞击、恢复，这些状态之间的切换会改变动力学规律。用一个单体 MLP 表示所有状态时，模型倾向于把不同 regime 的转移平均到同一个平滑函数里。

PRISM-WM 把一步 transition 写成 mixture-of-experts：

gate 读取当前 latent 和 action，输出一组权重。每个 expert 提出一种 residual dynamics。orthogonalization 约束 expert 学到非冗余的基，减少所有 expert 退化成相似函数的风险。

从 transition operator 的角度看，PRISM-WM 的改动发生在 dynamics 调用内部。planner 仍然在 latent rollout 上比较候选动作；每次调用 dynamics 时，模型会先判断当前上下文对应哪些物理 regime，再组合对应的专家预测。

同一个 operator 的两条轴

把两篇文章放在一起，关系会很清楚。

VLWM 认为固定一步预测没有给模型足够的长程监督。它把 transition operator 从 one-step function 扩展成 horizon-conditioned function。

PRISM-WM 认为单体平滑函数会混合不同物理 regime。它把 transition operator 从 monolithic function 改成 context-routed expert composition。

一个改时间，一个改物理结构。二者共同修正同一个朴素假设：planner 所需的未来预测，可以由一个平滑、单一、固定步长的 transition function 承担。

更进一步，二者理论上可以组合。一个 PRISM-style VLWM 会让 action segment 先定义预测跨度，再让 gate 根据当前状态和动作上下文选择专家：

这样的系统会同时处理两类误差来源：递归 rollout 带来的时间累积误差，以及 contact regime 被平均带来的物理结构误差。它也会引入新的问题：gate 应该按当前 regime 路由，还是按未来 action segment 内的 regime sequence 路由；一个长 chunk 内发生多次接触切换时，单次 expert composition 是否足够。

证据哪里还脆弱

VLWM 的长程结果很有启发性，但 oracle planner 让主结果带有选择优势。真正部署时，系统需要在线决定 chunk length。论文已经指出没有一种 P1/P2/P3 策略在所有任务上稳定最优。

PRISM-WM 对 contact-rich dynamics 的诊断很强，但 MoE 的 expert 数量、路由稳定性、orthogonalization 对不同任务的迁移边界，仍然需要更多复现和任务扩展。它改善了物理 regime 的表达方式，却没有直接解决预测跨度选择。

这也是两篇文章放在一起的价值。VLWM 暴露时间尺度问题，PRISM-WM 暴露物理 regime 问题。二者都把注意力从“planner 怎么搜索动作”转向“planner 每次调用的 learned simulator 是否具备正确接口”。

world model 的 transition operator 因此值得单独命名。它决定 planner 能看到什么未来，也决定错误会以什么方式进入下一次规划。