世界模型能预测杯子掉落的轨迹、碰撞的角度和碎裂的声响，却猜不到一个人会去拿杯子。
这听起来像一句悖论。但如果你把场景稍微改一下：有人趁你不在时，把你的杯子挪进了柜子里。你回来时，房间的样子和离开时一模一样，只是杯子消失了。一个只追踪物理物体的世界模型会预测：你直接走向柜子。但现实中，你大概率会先在自己原来的桌面上找一圈。
你找的不是杯子真实的位置，而是你相信它应该在的位置。这个差距，正是当前世界模型集体失明的地方。
2026年7月，来自牛津大学和新加坡国立大学的研究团队发表了一篇题为《Mental World Modeling》的论文，给出了一个直击要害的诊断：当今最受关注的世界模型——OpenAI的Sora、Google DeepMind的Genie、Meta的JEPA、李飞飞World Labs的Marble——都只模拟了世界的一个维度：物理层。它们知道物体在哪里、怎么运动、怎么遮挡，但完全不知道这个世界里的人在想什么。
模型预测对了场景，却预测错了行为。
当世界模型看不透人心
世界模型是当前AI领域最炙手可热的方向之一。它的理念很直观：如果一个AI系统能像人类一样在脑中模拟世界如何运转，它就能在行动之前推演后果，做出更聪明的决策。OpenAI的Sora用文字生成逼真视频，Google DeepMind的Genie 3生成可交互的3D世界，Meta的JEPA学习压缩世界的潜在表征，World Labs的Marble做到3D场景的生成、编辑和导出。
但论文作者Hao Fei和Yiran Zhao指出，这些模型存在一个共同的盲区。今天的世界模型大致分三类：表征式（Dreamer、JEPA）、视频生成式（Sora、Genie）、3D交互式（Marble）。它们回答的是一组物理问题：世界里有什么？它们在哪里？动作之后物体会怎么变？
对人类行为预测来说，这远远不够。论文用一个简单的例子切入本质：一个人把杯子放在桌上后离开房间，期间另一个人把杯子挪进了柜子。当主人回来时——场景从物理上看完全正确，杯子确实在柜子里。但一个只追踪物理状态的世界模型会预测主人走向柜子。而实际上，主人因为不知道杯子被挪动，会先在原来的桌面上寻找。
人的行为不仅由世界的真实状态驱动，更由他相信的世界状态驱动。物理状态决定什么可能发生，心智状态决定同一件事对不同的人意味着什么。
从63分到88分：心智建模的量化飞跃
论文的核心贡献不在于提出心理因素很重要这个直觉性判断——毕竟心理学和认知科学早已研究Theory of Mind数十年。MWM的真正突破在于：它把心智推断从一道静态问答题变成了物理-心智联合状态动态模拟。
在Menti-Bench数据集上，研究团队测试了8个基于LLM的世界模型，覆盖两个模型家族，在448个经过精细标注的场景决策样本上展开实验。样本涵盖文本、图片和带声音视频三种模态。实验设计了一个必要性阶梯：从完全不建模心智（只预测物理）到逐步增加心智建模承诺，每个台阶加入一个建模选择。
结果令人瞩目。在完全不建模心智的情况下，8个模型的直接回答平均F1分数仅为63.3。而完整MWM配置将这一数字推至87.9，提升超过24个点。更关键的是，这一增益与模型规模无关：即使是一个较弱的语言模型，只要采用MWM框架显式建模心智状态，其预测人类决策的准确率就能超过更强但无心智建模的模型。
这直接挑战了行业的主流直觉——更大的模型、更多的数据、更强的算力是解决一切问题的万能钥匙。在预测人类行为这个任务上，架构选择比规模更关键。
一个动作的两层含义：物理载体与心智载荷
MWM的框架设计有一个非常巧妙的核心拆解。论文将世界状态定义为一个耦合状态空间，其中物理状态存储物体、位置、遮挡关系等信息，心智状态存储信念、注意、目标、意图、情绪、社会规范、角色关系等信息。世界模型不直接从全局状态预测行为，而是先做一次视角渲染——为目标人物生成一个第一人称局部观察，严格排除该人物不知道的信息。
论文把全知叙述者知道的偷偷塞给局部行动者的错误称为视角泄漏（perspective leakage）。如果目标人物没看见杯子被挪走，他的观察里就不能出现杯子在柜子里。
在此基础上，每个动作也被拆解为两层：物理载体（说话、指路、抓取）和心智载荷（安慰、欺骗、拒绝、提醒）。同一个递杯动作，可能是道歉、是帮助、是施压，也可以是服从。只有同时追踪物理和心智状态的世界模型，才能区分这些含义。最后，系统模拟动作如何同时更新物理状态和心智状态——杯子到了哪里，以及每个人的信念、情绪和关系发生了什么变化。
最大瓶颈：物理与心智的耦合演变
论文没有回避问题。在进一步的瓶颈分析中，团队通过将每个阶段的输出替换为人工标注的黄金答案，逐段测量各阶段的误差贡献。
8个模型在完整MWM配置下平均F1达到87.9，但距离人类参考线仍有7.8分的差距。其中6.3分（81%）来自中间阶段的预测错误，主要是转移模拟和状态解析；1.5分（19%）残留在价值评估和决策规则中。
转移模拟是第一大瓶颈。当模型直接使用黄金标注的下一状态时，性能从87.9提升到最高94.2（以gpt-5.6-sol为例），弥补了人类性能差距的45%。这意味着MWM框架当下最薄弱的一环，不是不知道当前世界是什么，而是不知道世界会怎样变化——特别是人的信念、意图和情绪如何因为一个动作而改变。
物理状态的变化可以依赖物理引擎模拟，但心智状态的变化——一个人的信念如何因为一句话改变？情绪如何因为一个动作波动？社会关系如何因为一次互动重新配置？这些动态目前还没有成熟的数学模型。论文将这一瓶颈锁定为未来研究的首要突破方向。
三种场景：什么时候该揣摩人心
论文没有宣称所有场景都需要MWM。它给出了三个同时成立时最值得使用MWM的条件。
第一，部分可观测性：目标人物的视角和世界真实状态之间存在信息差。第二，心智变量决定决策：信念、目标、信任或社会规范会改变合理的行为选择。第三，动作具有社会含义：同一个物理动作在不同的心智语境下意味不同。
当这三个条件同时出现时——服务机器人判断现在把杯子递过去是否合适，医疗助理理解病人为什么拒绝推荐方案，教育Agent评估一次解释有没有真正让学生理解——物理世界模型就是不够的。
世界模型的下一个战场
MWM的提出恰逢世界模型赛道进入一个关键十字路口。2026年3月，OpenAI关闭了Sora消费端应用，转而聚焦世界模拟在机器人方向的研究。Google DeepMind的Genie 3仍限于研究预览。世界模型到底是什么这个最根本的问题，行业还没有共识。
MWM在这个时间点给出了一个清晰的回答：世界模型的下一步，不是更逼真的像素，不是更大规模的参数，而是从模拟物理世界走向模拟那个在物理世界中行动的心智。论文的最终判断是：我们期望MWM成为世界建模的下一个阶段——从模拟物理场景，到模拟在场景中行动的心智。
这个转向如果被行业采纳，将意味着一系列深远的改变。AI Agent的评估基准需要从任务完成率扩展到对人类行为预测准确率。人机协作系统需要从任务规划升级到共同知识维护。服务机器人的核心能力将从理解环境变为理解用户。
从63.3到87.9分，MWM已经证明了物理世界模型缺失的那一半有多大。从87.9到97.0分，剩下的路需要回答一个更本质的问题：当AI系统被部署到真实世界中，它们真正需要理解的不是世界本身，而是由无数个信念、意图和情感交叠而成的人的世界。
杯子在哪里不重要。重要的是人相信杯子在哪里。
快报