让 AI 在脑中预演一个机器人走很远，它可能把动作接得很顺，却没真正算懂摩擦变化会带来什么后果。这项研究把世界模型——用于预测环境未来状态的模型——的长期失真拆成两类：运动学只看位置、速度和轨迹是否连贯；动力学则追问力、质量、碰撞等条件改变后，结果是否也会改变。这样比笼统地说“每一步小偏差不断累积”更容易定位故障。
作者检查了一个在 DMC walker-walk 任务上训练的 DreamerV3 模型，并用 iKCE——衡量每一步想象结果偏离简化运动学基准多远的指标——比较模型预演与真实物理轨迹。据作者报告，模型预演的 iKCE 约高出两个数量级。更关键的是，当实验逐步改变摩擦力、跨过机器人步态崩溃的临界点时，策略奖励明显下跌，模型的 iKCE 却在统计上保持平坦。换句话说，它会延续“看起来像在走”的轨迹，却没有随物理条件变化及时改写未来。这项诊断只在一个已发布的 DreamerV3 检查点上验证，能否推广到其他世界模型仍待检验。