你让机器人在“脑内”试一次急转弯。模拟画面很逼真，车身平稳避开障碍，于是系统判定这套动作安全。问题是：这段视频真的模拟了转弯的后果，还是只生成了一段看起来合理的驾驶录像？如果模拟器没有正确听从动作，后面的安全判决再漂亮，也不能替真实世界作证。
这正是 Christian Oefinger 等人在论文《Validate the Dream Before You Trust Its Verdict》中追问的问题。世界模型（World Model）会学习环境如何随动作变化，让机器人先在内部“想象”执行结果。如今，它正从生成可能的未来，变成测试策略的模拟器。策略（policy）就是机器人根据观察选择动作的规则，相当于一套行动方案。世界模型运行这套方案，再给出成功或安全判决。
作者的核心立场很直接：当世界模型充当“测试预言机”——负责宣布测试通过或失败的裁判——它本身也应先证明具备可采信性。这里的“可采信”不是说结果一定正确，而是说模拟结果达到了可作为安全证据的条件。这是论文提出的规范性框架，并非已经生效的行业标准。下文的实验结果也都来自这篇论文，尚无独立信源交叉验证。
裁判自己也在考试
传统模拟器通常由明确的传感器模型、场景逻辑和物理规则组成。工程师可以拿记录数据或物理规律校验它，也能测量并报告模拟与现实之间的误差。测试时，通常是一个经过验证的模拟器去考察尚待验证的策略。
生成式世界模型把关系倒了过来。它直接从数据中学会“世界怎么变化”，负责判决的模拟器本身成了未经验证的对象。作者称之为“信任倒置”：过去主要担心考生，现在连裁判也要接受审查。
更麻烦的是训练数据。驾驶世界模型常从人类司机留下的行车记录中学习，因此更熟悉人类实际做过的动作。被测试的策略却可能选择训练数据里很少出现、甚至从未出现的动作。模型此时只能向经验范围之外推测。论文把这种错位称为“动作覆盖缺口”：训练时负责采集数据的行为，与测试时真正要评估的行为没有充分重合。
这也解释了为什么画面质量不够。Fréchet Video Distance（FVD）会比较生成视频和真实视频在统计特征上的距离，通常越低表示整体分布越接近。它适合检查画面和运动是否像真，却不会直接检查世界是否对某个指令作出了正确反应。FVD 有参考价值，但不能独自给闭环判决背书。
五级台阶，逐步取得作证资格
论文借鉴 VV&A（验证、确认与认可）、SOTIF（预期功能安全）和基于场景的测试标准，提出 L0 至 L4 的“可采信阶梯”。它不是把几个分数加起来排总榜，而是设置逐级门槛：下一级没有通过，就不能凭更高层的说法跳级。
-
L0：生成质量。 先确认视频在视觉和时间上连贯。FVD 等指标属于这一层。它只是最低入场条件，不支持任何闭环判决。
-
L1：动作稳健。 检查模型是否真的响应指令，以及含义不同的动作是否产生相应不同的结果。通过 L1 只能证明模型“听见了指令”，还不能证明它模拟得符合现实。
-
L2：声明有效边界。 模型要说明自己在哪些训练条件和多长的连续预测时间内有效，并检测超出训练分布的输入；越界时应拒绝判决，而不是若无其事地继续生成。这里的边界不是工程师预先画出的固定区域，而是由训练数据覆盖范围形成的统计边界。
-
L3：能够归因失败。 当系统接近或越过边界时，要能区分失败来自被测试的策略，还是来自模拟器自身。边界外的判决仍不可采信，但错误至少不再悄悄混入结果。
-
L4：判决可迁移。 在声明的有效范围内，模拟中的好坏要与现实中的好坏呈现经过测量的对应关系。只有到这一层，论文才允许把闭环判决当作保障证据。
这套设计的关键，不是追求一个抽象的“最逼真世界”，而是要求模拟器围绕具体用途拿出证据。一个模型可能足以测试常见车道内行驶，却不足以判断罕见动作；也可能只在较短的连续预测中可靠。承认边界，本身就是可信度的一部分。
好看的模型，未必更听指挥
作者把较低的三层门槛用在两个可公开运行、可注入车辆轨迹的驾驶世界模型 Vista 和 Epona 上。实验采用 ACT-Bench 的固定分层子集：400 段 nuScenes 视频，均匀覆盖八类可下达指令的驾驶动作。
L0 的视觉指标更偏向 Vista。其 FVD 为 151.3，低于 Epona 的 159.4；CD-FVD——更关注时间与运动瑕疵的修正版距离——也以 51.6 优于 86.1。不过，衡量生成车辆轨迹分布的 FTD 上，Epona 以 2.59 小幅优于 Vista 的 2.72。
到了 L1，排名明显反转。IEC（Instruction-Execution Consistency，生成结果与动作指令一致的比例）上，Epona 为 0.54，Vista 为 0.33。平均轨迹偏差 ADE 分别是 2.35 米和 4.56 米；以终点偏差低于 3 米为成功标准时，成功率分别为 0.28 和 0.08。也就是说，在这组实验里，视觉指标更好的 Vista，跟随动作的表现反而更弱。
连续生成的有效时间也拉开差距。论文报告的 L2 预测范围测量中，Vista 的有效时长为 1.6 秒、漂移为每秒 1.06 米；Epona 分别为 3.2 秒和每秒 0.53 米。
这些数字支持一个较窄、但重要的观察：在这两个模型和这组测试里，视觉保真度没有预测闭环判决真正依赖的动作稳健性。它还不足以证明两者在所有世界模型中都不相关，却足以说明不能把好看的生成结果直接当成可靠裁决。
为什么值得现在看
世界模型一旦只负责提供灵感，偶尔“想错”或许只是生成质量问题；一旦它开始替机器人测试行动方案，同样的错误就会进入成功率和安全结论。论文把讨论焦点从“它生成得像不像”推进到“它凭什么拥有判决资格”。
作者声称这套框架不依赖具体机器人形态，并选择传统仿真保障方法较成熟的自动驾驶作实例。它提供了一套实用的追问顺序：模型会不会响应动作，有效范围在哪里，越界时能否拒绝，失败能否归因，最终能否预测现实。即使这套阶梯尚未成为标准，这组问题也比单看一项视频分数更接近安全评估真正需要的证据。
局限与未知
- 这套 L0–L4 阶梯主要来自第一性原则和对传统仿真验证方法的类比。作者明确称其为初步提案，各层是否完备、互斥且顺序合理，仍待检验。
- 实验只覆盖 Vista、Epona 和阶梯的较低层，其中 L2 仅测了预测时长部分；两个模型的排名反转只能视为作者在该设置下报告的结果，不能推广成普遍定律。
- 跨机器人形态的 L2 边界检测方案尚不存在；L3 又需要稀缺且高度依赖领域的真实失败数据。论文声称框架与 embodiment 无关，但这项适用性仍需在操控、行走和导航等场景验证。