Problem Space
World modeling 的核心问题是：一个 agent 在行动之前，到底能不能拥有一个足够可靠的环境模型，用来预测 action 会怎样改变世界。在传统监督学习里，预测通常是静态的；在 agent setting 里，预测必须变成可干预的 transition query。模型不仅要知道“下一个 observation 可能是什么”，还要回答“如果我换一个 action，未来轨迹会不会按合理方向改变”，并且这些轨迹不能违反目标环境的约束。
这个问题难在三层同时存在。第一层是 state abstraction：真实环境部分可观测，agent 只能从 pixels、tokens、GUI、terminal logs、sensor readings 或实验数据中压缩出 latent state。第二层是 long-horizon composition：one-step prediction 看起来准确，不代表连续滚动几十步仍然保持一致。第三层是 constraint grounding：不同环境的“合法转移”完全不同，物理世界要求接触、重力、几何和能量一致；数字世界要求 API、DOM、文件系统和类型约束一致；社会世界要求信念、承诺、角色和规范一致；科学世界要求实验观测、因果链和机制假设一致。
这也解释了为什么 world models 不能只按 modality 分类。视频、代码、机器人、社会模拟和科学发现看起来很不一样，但它们都在问同一个底层问题：预测是否能支持决策。如果模型只生成看起来 plausible 的未来，却对 action 改变不敏感，或者生成违反约束的轨迹，那么它对 agent planning 来说就是危险的。
Methodology Spectrum
方法谱系可以从保守到激进理解。最保守的一端是 L1 Predictor：模型学习 state inference、forward dynamics、observation decoding 和 inverse dynamics 等 local operators，目标是让 latent state 能预测下一步或短程未来。Dreamer、MuZero、TD-MPC、JEPA、CPC、V-JEPA 等工作都可以放在这一层理解。它们构成 world model 的底座，但单独的 local prediction 还不足以支撑复杂规划。
中间层是 L2 Simulator：模型把 local operators 组合成 multi-step, action-conditioned rollout，使 planner 能比较候选 action sequence。这里的关键不再是单步误差，而是 long-horizon coherence、intervention sensitivity 和 constraint consistency。物理和机器人方向会强调 contact、geometry、kinematics 和 sim-to-real；数字世界会强调 UI state、API contract、execution traces 和 deterministic replay；社会模拟会强调 Theory of Mind、commitment graph 和 norm consistency；科学世界会强调 surrogate models、experiment sequence 和 evidence-chain validity。
最激进的一端是 L3 Evolver：模型不再只是固定 simulator，而是把自身 transition model 当成可修正对象。系统在部署中发现 anomaly，设计实验或 probe，收集 evidence，然后把修正蒸馏成持久资产，例如新的参数、规则、测试、parser、skills、hypothesis space 或实验策略。当前最成熟的例子多在 autonomous science 和 algorithmic discovery，因为这些场景有清晰的实验反馈和验证门控；社会世界的 L3 仍然最弱，因为 attribution 和伦理约束都非常硬。
Evolution
这条线最早来自 model-based control 和 model-based RL：系统先学习 transition dynamics，再用 planning 或 imagined rollouts 提高 sample efficiency。World Models、PlaNet、Dreamer、MuZero 和 TD-MPC 这一支让 latent dynamics 成为可训练 agent 的核心组件。
随后，大规模 generative modeling 把 world model 推到更宽的场景。视频生成、3D world generation、autonomous driving simulation 和 embodied video prediction 让“世界模型”不再只是 RL 里的 dynamics function，而变成可以生成、控制和评估未来 observation 的高容量模型。但这也暴露出一个问题：视觉真实感经常领先于物理可用性，所以单看 FVD、FID 或 pixel metrics 很容易高估模型的 planning value。
再往后，LLM agents 把 digital world 和 social world 推到台前。Web agents、GUI agents、SWE agents 和 multi-agent social simulation 让 world model 面对 DOM、文件系统、API error、permission state、belief state、role drift 和 norm changes。这些场景的规律不像物理那样全部由几何和力学决定，却仍然要求 transition 可回放、可归因、可验证。
最新趋势是把 world modeling 与 evidence-driven revision 合并。Autonomous laboratories、scientific discovery agents、algorithmic discovery systems 和 regression-gated software agents 开始接近 L3 Evolver：系统不仅预测未来，还在失败后更新模型和工具链。这个阶段最关键的转折不是模型变大，而是 evaluation infrastructure、trace logging、regression gates 和 rollback policies 变成 world-model architecture 的一部分。
Key Open Questions
第一个开放问题是 visual plausibility 与 physical faithfulness 的断裂。高质量视频模型可以生成连贯画面，但仍可能违反接触、支撑、守恒、遮挡和 object permanence。对 agent 来说，这种错误比画质低更危险，因为 planner 会在错误的模拟世界中选择行动。
第二个开放问题是 intervention sensitivity。很多生成模型能续写未来，却不能稳定回答“如果 action 改变，未来应该怎样变”。如果模型对 action 不敏感，它就不能支持 counterfactual planning。world model evaluation 需要显式测试 action perturbation，而不是只测输出像不像。
第三个开放问题是 partially observable digital environments。真实软件不是完全可见的状态机，后台 session、数据库、异步请求、权限、网络失败和多用户并发都会影响 transition。现有 GUI/web/code agents 大多没有维护完整 belief distribution，因此很容易在不可见状态变化中误判。
第四个开放问题是 social world attribution。社会转移由信念、目标、规范和角色共同决定。一个 social simulator 预测失败，可能是 persona 表示错了，也可能是 norm 已经漂移，还可能是另一个 agent 的隐藏策略变化。如何从可观测对话中归因这种失败，是 social L3 的核心瓶颈。
第五个开放问题是 self-evolving model governance。L3 系统会持续修改自己，因此必须同时满足 stability、plasticity 和 auditability。没有 versioning、canary deployment、held-out regression tests 和 evidence provenance，自我修正很容易退化成 benchmark overfitting、知识污染或错误归因级联。
Reading Roadmap
入门时应先读 Agentic World Modeling，因为它提供了当前 topic 的总坐标系：L1 Predictor、L2 Simulator、L3 Evolver，以及 physical、digital、social、scientific 四类 governing-law regimes。读完它之后，再回到 Dreamer、MuZero、TD-MPC 这类 model-based RL 工作，会更容易看清它们分别承担 state inference、latent dynamics、imagined rollout 和 planning interface 中的哪一部分。
进入核心阶段后，应沿着不同 regime 各读一组代表工作。物理和 embodied 方向可以围绕 DreamerV3、TD-MPC2、Genie、Sora、GAIA-1、Cosmos 或 PhyWorldBench 建立“生成画面”和“尊重物理约束”的区别；数字世界可以读 WebDreamer、OSWorld、SWE-bench 和 GUI/world simulation 相关工作，理解 execution trace 为什么比文本判断更可靠；社会世界可以读 Generative Agents、Sotopia、CICERO 和 Steering the Herd，看 social state、belief、norm 和 strategic interaction 如何进入 transition model。
高级阶段应关注 L3 与评价基础设施。Autonomous science 里的 CAMEO、A-Lab、BacterAI 和 AI Scientist 系列最适合作为 L3 样板，因为它们把设计实验、执行实验、观测结果和修正模型接成闭环。数字世界里，FunSearch、AlphaEvolve、SWE-agent、CyberGym 和 regression-gated agents 展示了另一条路线：把可执行环境、测试和日志变成 self-improving agent 的验证门控。读到这里时，重点已经不是“模型能不能预测”，而是 预测失败后系统能不能产生可验证、可回滚、可复用的修正。