Charles's Castle

这页把世界模型 rollout 从“模型能预测未来”推进到“系统能以可接受成本服务规划器”。它串起视频/world-model rollout、KV cache、低比特、MagiAttention、KVSlimmer、CausVid、SLO 和失败回放，重点回答： 怎样证明系统成本下降没有把动作分叉、风险判断和闭环收益

这页把 VLA、世界模型、训练系统和评测放到同一条工程链里。它不是新论文综述，而是一个可执行的方案模板：当你要做“机器人数据 + VLA 动作 + 世界模型预测 + 闭环评测”时，每一层该省什么成本、看什么证据、不能外推什么。 这页先回答“VLA / 世界模型全链路案例：从机器人数据到闭环评测”在「世界模型」里的位置：

这页是全站地图，回答一个问题： 每个专题到底服务哪类效率，证据入口在哪里，还有什么不能证明。 它不替代各专题正文，也不替代 证据与复现状态标准。 这页先回答“全站效率技术覆盖矩阵”在「参考与证据标准」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究判断。 前置 ：先知道本站不是论文列表，而是带证据边

这页是全站统一证据规范。它不替代正文、论文专题或 Claim Ledger，而是规定每个关键结论应该怎样写清楚：证据来自哪里、强到什么程度、能支持什么、不能外推到哪里。 这页先回答“全站证据与复现状态标准”在「参考与证据标准」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究判断。 前置 ：先知道本站

这页是全站证据账，用来记录“某个说法到底由什么证据支撑、是否可复现、不能外推到哪里”。它不替代正文，也不替代论文精读；它的作用是防止把论文实验、官方 demo、系统吞吐、闭环结果和本站工程推断混成同一种可信度。 这页先回答“Claim Ledger：世界模型高效训练证据账”在「参考与证据标准」里的位置：它解决什么局部问

这页用仓库里的 world-model-mini-chain fixture 写成一份小型论文式实验报告。它的目标不是证明某个真实模型有效，而是给全站提供一个 证据链模板 ：数据、训练配置、系统成本、闭环指标、失败归因和改进计划应该怎样放到同一页里。 这页先回答“世界模型高效训练完整实验报告样例”在「世界模型」里的位置

这页是全站地图，不替代各专题正文。它只回答一个问题： 当你说某项技术让世界模型训练更高效时，它到底省哪类成本，证据在哪里，还不能证明什么。 这页先回答“世界模型高效训练效率技术覆盖矩阵”在「世界模型」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究判断。 前置 ：先知道潜变量、时序预测、VLM/VL

这页回答一个初学者很容易忽略的问题： 世界模型为什么不总是直接预测像素？ 这页先回答“Masked / JEPA 与潜变量预测”在「世界模型」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研究判断。 前置 ：先知道潜变量、时序预测、VLM/VLA 与训练效率；再看具体论文和工程案例。 必要时先回 世界

世界模型、动作模型、视频模型在近两年越来越纠缠：有的论文预测未来视频，有的生成动作，有的把动作和未来一起建模。 WM / WAM / VAM 不是社区唯一标准术语，但它们很适合做阅读坐标系。 这页先回答“WM / WAM / VAM：动作条件建模”在「世界模型」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类

世界模型如果只输出一个“最可能的未来”，在高风险决策里往往不够。机器人、自动驾驶和复杂 agent 系统真正关心的不只是平均回报最大，而是在不确定未来里哪些动作更安全，哪些动作期望高但尾部风险不可接受。 这页先回答“不确定性与风险敏感规划”在「世界模型」里的位置：它解决什么局部问题，依赖哪些前置，最后会影响哪类工程或研