Charles's Castle

VLA、世界模型、训练系统和评测经常被分开讲，但真实项目里它们必须接成一条链：机器人数据给出观测和动作，VLA 产生候选动作，世界模型预测动作后果，评测系统判断这些预测是否真的改善闭环决策。 这页不是论文综述，而是一个方案模板：当你要做“机器人数据 + VLA 动作 + 世界模型预测 + 闭环评测”时，每一层该讲清什么

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。 覆盖矩阵 专题 数据效率 训练效率 推理效率 显存效率 验证效率 部署效率 证据入口 当前缺口 — --- — --- — --- — --- — 世界模

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。 Evidence Snapshot 模板 高风险页面、前沿论文页、技术报告页和系统效率页优先使用这个固定表头： Claim Direct Source

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。 证据类型固定使用： Paper Result 、 Ablation 、 System Throughput

这篇回答的问题。 如何理解“世界模型高效训练完整实验报告样例”背后的核心机制、适用边界和下一步阅读路径。 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

这篇回答的问题。 如何理解“世界模型高效训练效率技术覆盖矩阵”背后的核心机制、适用边界和下一步阅读路径。 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。 图源： Towards Video World Models Figure

世界模型常被想象成“给当前画面和动作，生成未来视频”。这当然是一条路线，但不是唯一入口。对规划和控制来说，模型真正需要保住的是会改变动作选择的状态：物体位置、速度、接触、遮挡、任务阶段、风险、奖励和终止。高清纹理、背景光照、阴影细节有时只是昂贵的旁枝。 Masked / JEPA 路线的核心问题是： 能不能先学一个更像

这篇回答的问题。 如何理解“WM / WAM / VAM”背后的核心机制、适用边界和下一步阅读路径。 近两年，世界模型、视频模型和机器人策略越来越容易被写到同一篇论文里：有的给动作预测未来，有的直接从视觉语言输出动作，有的把未来视频和未来动作一起生成。 WM / WAM / VAM 不是统一标准术语，但很适合作为读论文

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。 不确定性建模与风险敏感规划，是把世界模型从平均预测器提升为安全决策工具的关键。 硬证据模块：风险页要优先证明“不漏报

世界模型一旦不仅用于预测未来，而开始指导下一步收什么数据、在哪些场景做验证、如何构造高价值训练样本，就会自然走向模拟器、反事实生成和合成 rollout 数据。这条路线的核心不是“伪造更多样本”，而是让 imagined data 服务长尾风险覆盖、失败恢复、planner warmup、策略改进和数据引擎闭环。 硬证