IMPLY: Physically Anchored Consistency for World-Model Rollouts

📄 arXiv: 2609.12441v1 📥 PDF

作者: Aman Mehta, Riya Baviskar

分类: cs.RO, cs.AI, cs.CV, cs.LG

发布日期: 2026-09-11

备注: 7 pages, 2 figures, 3 tables

💡 一句话要点

提出IMPLY以解决世界模型一致性不足的问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 世界模型 物理一致性 模型评估 机器人控制 智能代理

📋 核心要点

  1. 现有的世界模型一致性检查方法未能考虑物理规律，仅依赖未来状态之间的一致性，导致无法准确评估模型的物理理解能力。
  2. IMPLY通过反转模拟器来读取回滚所隐含的物理信息，并利用校准推动来评分，从而提供了一种新的一致性评估方法。
  3. 实验结果显示，IMPLY在区分模型对物体的理解方面表现优异，能够在真实模型中实现更高的相关性和准确性。

📝 摘要（中文）

在世界模型中，当一个物体以不同速度被推动时，模型会生成多个未来状态。如果模型考虑了该物体，这些未来状态之间会保持一致，反映出相同的质量和摩擦力。然而，现有的一致性检查方法仅关注模型生成的未来状态之间的一致性，而未考虑物理规律。本文提出IMPLY，通过反转模拟器读取每个回滚所隐含的物理信息，并通过两个已观察的校准推动来评分一组回滚。实验结果表明，IMPLY能够有效区分模型对物体的理解，显著提高了模型的性能。

🔬 方法详解

问题定义：本文旨在解决现有世界模型一致性检查方法的不足，这些方法未能考虑物理规律，仅依赖于未来状态之间的一致性，导致无法准确评估模型的物理理解能力。

核心思路：IMPLY的核心思路是通过反转模拟器读取每个回滚所隐含的物理信息，并通过两个已观察的校准推动来评分一组回滚，从而提供了一种新的一致性评估方法。

技术框架：IMPLY的整体架构包括以下几个主要模块：首先，模型生成多个未来状态；其次，通过反转模拟器提取每个状态的物理信息；最后，利用校准推动对回滚进行评分，评估模型的物理理解能力。

关键创新：IMPLY的关键创新在于将一致性评估与物理信息结合起来，能够有效区分模型对物体的理解，避免了仅依赖自我一致性的问题。

关键设计：在技术细节上，IMPLY设计了特定的损失函数来优化模型的评分过程，并通过校准推动的选择来增强模型对物体的理解。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，IMPLY在区分模型对物体的理解方面表现优异，AUROC值从0.70提升至1.00，且在真实模型中，模型对物体的跟踪相关性达到0.91，而在未观察的物体上仅为0.05，显示出显著的性能提升。

🎯 应用场景

IMPLY的研究成果在机器人控制、物理模拟和智能代理等领域具有广泛的应用潜力。通过提高模型对物理规律的理解，IMPLY能够帮助开发更智能的机器人系统，提升其在复杂环境中的决策能力。此外，该方法也可用于改进虚拟现实和增强现实中的物理交互体验。

📄 摘要（原文）

A world model asked what happens if an object is pushed at several speeds produces several futures. If the model has the object in mind, those futures agree about it: each implies the same mass and friction. The consistency checks now used to vet world-action models ask whether a model's futures agree with each other, and none of them knows any physics. We show that this is not enough, and what to do instead. IMPLY reads the physics each rollout implies by inverting a simulator and scores a set of rollouts by how well one object explains all of them, anchored to two calibration pushes the model has observed. In a controlled setting, self-consistency gives a perfect score to a model that ignores the object and always predicts a typical push; anchoring exposes it (AUROC 0.70 versus 1.00). On a real model, V-JEPA 2-AC adapted to the scene, the same thing happens. Given its own calibration pushes the model tracks the object (per-object correlation with the truth 0.91); given another object's, it does not (0.05). Self-consistency cannot tell these apart, preferring the right evidence on 52% of objects, chance level, while anchored disagreement prefers it on 73% and correlates 0.92-0.99 with the rollouts' error. Used to choose among candidate rollout sets, it comes within 0.003 of an oracle that sees the truth. A model that has internalised the wrong object is exactly as self-consistent as one that has internalised the right one; consistency has to be anchored to evidence.