现在的视频世界模型，大多数在学怎么把下一帧画得像。画面越逼真，越容易被误认为理解了物理。但一支杯子从桌上掉下去，重要的不是落地那一下的像素，而是它在下落过程中受到的力、与桌沿的接触、摔碎后碎片怎么散。11月5日公开的一篇论文提出了另一种做法：不去生成画面，直接生成三维空间中粒子与刚体的运动。模型叫GPWM，生成式粒子世界模型。
视频模型的监督信号是像素。它可以把光影、材质、反射学得非常准，也可以在训练分布内生成连贯的动作。问题在于，像素层面的相似并不等于物理层面的正确。一个模型可能生成一段看起来很顺的翻滚，但物体的质量、摩擦、接触顺序全是错的，只是错得不明显。
GPWM换了一个预测对象。它预测的是三维场景中粒子与刚体随时间如何移动，输出的是轨迹而不是画面。这个选择的好处是，物理量直接出现在表示里，误差可以被度量；代价是训练数据必须带三维标注，不能像视频那样从网上直接抓。更根本的差别在评价方式：视频模型的指标是画质与一致性，粒子模型的指标是轨迹误差与接触是否正确，后者可以直接和仿真器对照。机器人团队更愿意看后者的数字，因为它和真机上的失败模式更接近。
研究团队用一个统一的表示覆盖四类材质：刚体、可变形体、布料、颗粒。这四类在传统仿真里往往对应不同的求解器，刚体算接触，布料算约束，颗粒算碰撞，切换场景就要换一套代码。用粒子表示之后，差异被压到同一种数据结构里，模型只需要学粒子怎么动。
架构上是对象感知的多分辨率变换器，把流匹配与扩散强制结合起来。多分辨率的用处是兼顾局部细节与整体结构，布料褶皱需要细粒度，房间布局需要粗粒度，同一套网络要同时处理两种尺度。扩散强制则让模型在长时序上保持稳定，不至于推演几十步之后画面崩掉。代价也在这里，粒子数量一多，注意力的开销就上去了，多分辨率的设计本质上是在为这个开销找出路。另一个代价是渲染，粒子本身不携带外观，要在仿真里看到画面还得配一套渲染管线，这部分工作论文没有展开。
论文里最值得注意的结论，不是误差降了多少，而是一套权重同时覆盖了六个物理域。过去这类工作通常按域分别训练，刚体一个模型，布料一个模型，因为不同材质的动力学差异太大，混在一起容易互相拖累。
GPWM的结果是，统一模型在每个域上都超过了此前最好的学习型动力学基线，平均预测误差降低31%，在其中两个域上甚至超过了自己训练的专家模型。这个结果说明，材质之间的差异并没有想象中那么大，至少在网络容量足够、表示足够统一的前提下，共享特征带来的收益大于干扰。
泛化能力也做了验证。模型能处理训练时没见过的几何形状、物理属性、物体数量和推演时长。这一条比榜单更重要，因为真实场景里几乎不会出现和训练集完全一致的物体。这个结论如果成立，会改变数据集的构建方式：过去按材质分库，现在可以把不同材质混在一起训练，数据利用率更高，标注规则也可以统一。
支撑这些结果的是一个叫ParticleWorlds的数据集，2550万帧，覆盖多种几何、材质、交互和机器人本体。这个规模在三维物理数据里不算小，但和视频数据比仍然有限。三维数据的采集成本高，需要仿真或动捕，标注也要精确到物体级别。
这也解释了为什么这类研究的门槛不在算力，而在数据。能稳定产出高质量三维交互数据的团队，等于握住了训练物理世界模型的原料入口。开源数据集能解决一部分问题，但真正贴合一线的场景数据，还是掌握在机器人公司和仿真平台手里。数据还有偏差问题。仿真数据可以精确标注，但仿真器本身的物理近似会带进系统性误差；真实数据准确，标注成本高、覆盖窄。ParticleWorlds 的构成没有公开到可以判断偏向哪一边，这是所有物理世界模型共同面对的两难。
论文还给出了一个应用侧的结论：用这个世界模型做规划，不必在动作空间里搜索，而是搜索模型的潜噪声。传统做法是试不同的动作序列，看哪个能达成目标；GPWM的做法是固定目标，反推哪一组噪声能让模型生成通向目标的轨迹。
在推动和抓取这两类接触密集的任务上，噪声空间搜索明显优于动作空间搜索。原因不难理解，接触序列的组合空间太大，动作空间里随机试很难碰到可行的路径；而生成模型学到的先验已经把物理上合理的运动压缩在低维流形上，在这个空间里搜索，命中率自然更高。执行阶段是开环的，不需要参考轨迹，也不需要为每个目标单独训练策略。这个思路的局限是它对模型先验依赖很强。如果生成模型学到的运动分布本身有偏，搜索只会在有偏的空间里找最优，错误会被放大而不是纠正。规划效果的上限，仍然由世界模型的准确度决定。
第一是真实世界的验证。论文的规划实验在仿真里开环执行，没有上真机。仿真里成立的接触序列，到真实世界会遇到传感器噪声、执行误差、材质不一致，这些差距会放大长时序推演的偏差。
第二是计算成本。粒子表示的精度越高，粒子数越多，推演越贵。要在机器人上做实时规划，还得解决模型压缩与推理加速的问题。论文没有给出端侧部署的数据，这一块仍是空白。
第三是场景规模。2550万帧覆盖的是多种材质与交互，但真实世界的长尾极长，从厨房台面到建筑工地，物理条件的分布差异很大。世界模型能不能在没见过的环境里保持稳定，需要更多跨场景测试来回答。第四是评测标准，目前没有公开的物理常识基准能同时覆盖四类材质，各家论文用的数据集不同，数字之间很难横向比较。