像预报天气一样，AI 推演未来时会把上一轮预测接着往下算。单步算得更细，不等于十步后仍更准：早期误差也会一路带下去。这篇论文检验的正是，潜在世界模型——把环境压缩成内部状态再推演——增加网络深度后，优势能否扛住这种连续滚动。这关系到“难题多算、易题少算”的自适应计算是否真有东西可调。
作者在 9 个 DeepMind Control 任务上比较不同深度，并用三次随机实验复核。结果分成三类：6 个任务里，深层模型滚动预测更好；2 个任务反而是浅层胜出；另 1 个基本持平。最值得警惕的是 cheetah：作者发现，反转并非动力学本身造成，而是训练出来的。只在滚动第一步监督浅层出口后，反转便消失；但一个原本深层占优的任务不受影响。换句话说，为了让模型能随时“提前交卷”而加入的逐步监督，恰可能把浅层练得比完整网络更适合连续推演。结论不是深度无用，而是单步成绩不能替多步规划担保；效果还会随衡量空间、滚动长度和编码器而变。