训练世界模型的"物体恒存性"：WROP数据集与PWM模型解析

世界模型能理解"物体不会凭空消失"吗？

物体恒存性（Object Permanence）与固体性（Solidity）是人类认知的核心先验能力——即便一个物体被遮挡、移出视野，我们依然知道它仍然存在。这种能力在婴儿早期就开始发育，是人类构建物理世界直觉的基石。

近期研究显示，视频生成模型作为当前世界模型（World Models）的典型代表，已经开始展现出某种"涌现"的推理能力，这让它们成为构建类人物理智能的理想候选者。但一个根本问题随之而来：视频模型内部是否真正具备物体恒存性？如果没有，我们能否通过一个受核心认知启发的数据集把这种能力"训练"出来？

来自 arXiv 的一篇新论文（arXiv:2609.28654）正是围绕这一问题展开，提出了名为 WROP（World Reasoning with Object Permanence） 的数据基础设施，并训练出一个 16B 参数的世界模型 PWM-WROP。

物体恒存性的概念最早由瑞士心理学家让·皮亚杰（Jean Piaget）系统化，他将其列为婴儿认知发展感知运动阶段（0-2岁）的核心里程碑。在此之前，婴儿对于移出视野的物体表现得"眼不见心不念"；随着神经发育成熟，他们逐渐理解物体在被遮挡时依然存在，并会主动寻找消失的玩具。固体性（Solidity）则是与之相关的另一项核心先验：物体不能相互穿透，两个实体无法同时占据同一空间。这两种能力在认知科学中被称为"核心知识"（Core Knowledge），被认为是人类理解物理世界的进化遗留模块，并非后天学习所得，而是在极少数据下即可激活的内置推断能力。将这类能力引入世界模型的评估框架，正是为了区分"统计上合理的视频生成"与"真正理解物理因果关系"之间的本质差异。

WROP：从认知科学出发的数据基础设施

WROP 的设计思路不同于常见的以规模堆砌为核心的数据集，而是从认知科学的任务范式出发，构建了 150 个手工设计的任务，并将其划分为六大认知类别。这些任务并非随意生成，而是刻意对应人类认知研究中用于测试物体恒存性、固体性等物理直觉的经典实验结构。

为了在保持认知结构不变的前提下增加多样性，研究团队构建了基于 Blender 的生成器，对速度、光照、相机角度等干扰参数（nuisance parameters）进行随机化处理。这种做法的价值在于：模型必须真正学到任务背后的物理规律，而不是记住某个固定的视觉表象。每个任务由此可生成 超过 1 万个样本。

最终，团队发布了一个 150 万样本的训练语料库，以及一个包含 300 道题目的考试集（exam），用于系统评估模型的物理推理能力。

为什么"随机化干扰参数"很关键

在评估物理直觉时，最大的风险是模型通过表面统计规律"作弊"。如果所有测试场景的光照、视角、速度都高度一致，模型可能只是学会了像素模式匹配，而非真正理解"被遮挡的物体依然存在"。WROP 通过在保持认知结构的同时随机化外观参数，逼迫模型在变化的表象下抽取不变的物理规律，这正是衡量"是否真正涌现物体恒存性"的合理方法论。

PWM-WROP：16B 世界模型的实测表现

研究团队在 300 题考试集上评估了 14 个视频模型，涵盖三类范式：

• 参考图到视频（reference-to-video）：3 个模型
• 视频编辑（edit）：7 个模型
• 视频续写（continuation）：4 个模型

其中就包括团队自研的 16B 世界模型 PWM-WROP。

评估采用了 盲测两两对比的 Elo 评分方法——这是一种相对客观的排名方式，避免了单一绝对指标的偏差。结果显示：

• PWM-WROP 在所有续写类模型中排名第一；
• 在全部 14 个模型中总排名第三；
• 仅落后于两个参考图到视频模型（且这两者之间为统计意义上的平局）。

这一结果颇具说服力：视频续写本质上是更难的任务范式，因为模型需要基于已有片段外推后续物理演化，而参考图到视频往往拥有更强的条件约束。PWM-WROP 能在续写范式中夺冠，说明专门针对物体恒存性的训练确实带来了可观的物理推理提升。

Elo 评分系统起源于国际象棋排名，由物理学家 Arpad Elo 于1960年代设计，其核心原理是通过两两对比的胜负记录动态更新各参与者的相对评分，而非依赖绝对分数。将其引入模型评估的优势在于：当不同模型之间难以制定统一的绝对评分标准时，成对比较能有效捕捉相对优劣，并通过大量对比样本平滑随机噪声。在视频生成领域，由于画面质量、物理合理性等维度难以量化，盲测两两对比（评估者不知道哪个视频来自哪个模型）结合 Elo 排名已成为一种较为可靠的评估范式，也被 LMSYS Chatbot Arena 等大语言模型评测平台广泛采用。这种方法的局限在于，排名结果依赖评估者的判断标准，不同评估者群体可能产生不同的排序结论。

完全开放的资源与训练栈

这篇工作的另一个亮点是其彻底的开放态度。团队不仅发布了数据集，还公开了：

• 300 题考试集与全部模型的作答
• 各模型的评分结果
• PWM-WROP 的模型权重
• PWM：一套基于原生 PyTorch、运行在 AWS Trainium2 上的训练栈

公开训练栈这一点尤其值得关注。Trainium2 是 AWS 的自研 AI 训练芯片，围绕它构建原生 PyTorch 训练栈，意味着研究者提供了一条不完全依赖主流 GPU 生态的世界模型训练路径。对于希望复现或扩展该研究的团队而言，这大幅降低了门槛。

AWS Trainium2 是亚马逊自研的第二代机器学习训练芯片，基于 NeuronCore-v3 架构，针对大规模深度学习训练场景优化，在性价比上被定位为 NVIDIA H100 的竞争替代方案。Trainium2 通过 AWS Neuron SDK 与 PyTorch 集成，但由于其指令集与 CUDA 生态存在根本差异，将现有训练代码迁移至 Trainium2 通常需要适配工作。此次团队公开基于 Trainium2 的原生 PyTorch 训练栈，实际上提供了一份经过验证的迁移参考实现，对于希望探索非 NVIDIA 算力路线的研究机构具有较高的参考价值。这也是学术界较少见的、主动降低 GPU 垄断依赖的开源实践案例。

对世界模型研究的意义

这项工作至少在三个层面提供了价值。

其一，它把认知科学的任务范式引入世界模型评估，提供了比"生成画面是否好看"更本质的衡量维度——模型是否理解基本物理直觉。

其二，它验证了一个假设：物体恒存性等核心认知能力，可以通过精心设计的数据被显式训练进视频模型，而不必完全依赖大规模数据的自发涌现。

其三，全面开放的数据、考试、权重与训练栈，为社区提供了一个可复现、可比较的基准，有助于把"世界模型是否具备物理智能"这类模糊讨论推向可量化的实证研究。

对于关注具身智能、物理仿真与通用世界模型方向的研究者，WROP 与 PWM-WROP 值得纳入视野。它提醒我们：通往类人物理智能的路径，或许需要把人类婴儿最早掌握的那些认知先验，系统地"教"给模型。