Aether AI 发布因果世界模型 CausalWM，登顶 TriWorldBench 榜单

现有不少世界模型走的是直接路径：输入当前画面和动作指令，直接生成未来视频。报道指出，这种做法在数据规模足够大时很有效，但运动、接触和空间变化都被压进模型内部，外界很难判断模型是理解了物理过程，还是从训练数据里找到了某种 shortcut。场景一复杂、预测时间拉长，中间一次接触判断失误，后续画面就可能越偏越远。

CausalWM 的应对方式，是在生成未来视频之前，先把一部分物理变化显式预测出来。团队选取 Optical Flow（光流，描述物体往哪移动、移动多少）、Depth（物体与相机距离）、Pointmap（为像素补上三维空间位置）作为中间变量。报道强调，关键不在于用了这三类变量——它们过去已被大量用于视频预测和视觉理解——而在于把它们组织成一条有顺序的 reasoning chain。

以推杯子为例，模型先判断画面中什么在运动、往哪运动（Physical Motion，用 Optical Flow 表达），再推演三维空间关系如何改变（Geometry，用 Depth、Pointmap 表达），最后才生成未来画面。由此形成 Observation → Physical Motion → Geometry → Future Observation 的链条。每一步既是预测目标，也是下一步推理的条件。

报道给出的第一个机制是 stage-ordered attention mask。它给不同推理阶段规定阅读权限：前面的步骤只能看到已经发生的信息，不能提前读取后面的 Pointmap 或未来画面。报道解释，否则模型可能表面上完成了中间预测，实际上已从最终答案反推出前面的变量，这条因果链就失去意义。因此无论训练还是推理，模型都必须按 Motion → Geometry → Future 的同一方向推进。

第二个机制是训练流程本身。报道称 Aether AI 构建了约 3 万小时的具身视频混合数据，覆盖机器人操作、第一视角视频、多视角机器人数据及其他物理交互场景，训练分三步：Pixel-level Pre-training → Causal CoT Mid-training → Multi-objective RL Post-training。

第一步以 LTX-2.3-22B 为基座，在大规模视频上学习语言条件下的未来预测；针对大量视频缺少机器人动作标注、不同机器人关节与控制方式差异大的问题，团队引入 CD-LAM 从视频中提取统一的 latent action，并训练多视角版本。第二步按 Flow → Pointmap → Future RGB 的顺序逐步生成中间变量。第三步用多目标强化学习，从物理一致性、视觉质量、任务完成度等维度给采样出的多个未来结果打分，并反过来优化中间的 Causal CoT 路径。

报道称，CausalWM 在最新更新的机器人世界模型基准 TriWorldBench 上登顶 Leaderboard，取得 Top-1，TWB-Score 为 66.04。该榜单考察世界模型对机器人任务的预测能力，尤其是头部相机、左腕相机、右腕相机的三视角一致性，共包含六个评测维度、19 项具体指标。报道称其三视角一致性、任务对齐、运动质量、透视合理性和图像质量等多项指标进入前列或取得领先。

但报道同时明确：它并没有包揽所有单项第一。总分领先更像是在说明，在这套评测下 CausalWM 能较好地同时处理多视角一致性、任务理解、物理交互和视频生成质量。

报道还提到，团队在 PAI-Bench 等不同设置下进行了测试，并在最新排名中位列第一。PAI-Bench 的案例全部来自行车记录仪、工业相机等真实世界采集，横跨自动驾驶、机器人操作、工业场景、人类活动、物理常识等领域，评测时引入 Domain Score，让多模态大模型当裁判逐条追问物理细节。报道据此给出的判断是：如果同一套方法在多种任务设置下都能取得较好结果，至少提供了一个方法层面的信号——显式建模中间的 Motion 和 Geometry，可能确实有助于更稳定地预测物理世界的变化。

报道提出一个额外能力：训练中 CausalWM 不断接收光流、深度和 Pointmap 等视觉变量并用于生成下一阶段结果，久而久之学会了一种更通用的操作——只要新条件能表示成视觉信息，就有机会被放进上下文参与未来生成。

这给控制留下了入口。报道举例说，若研究人员已在仿真器中规划好机械臂关节运动轨迹，利用机器人 URDF 结构信息和正向运动学，这串关节数据可被渲染成画面中的动作轨迹，再编码成视觉 token 送入 CausalWM；经过少量微调，模型便能识别这种原本不在 Causal CoT 中的条件，并生成与指定轨迹一致的未来视频。人工绘制的物体路径、几何约束等视觉信号也可沿同一接口输入。

报道对此的定位是：这接近因果问题的核心——普通预测问「接下来大概率出现什么」，加入轨迹相当于主动改变一个条件再观察未来如何变化，模型开始处理「如果让机械臂这样运动，杯子会怎样移动」这类带有干预意味的问题。但报道也明确承认，这距离严格意义上的反事实推理还有距离。

需要区分三类信息。第一类是已确认的发布事实：Aether AI 发布第一版因果世界模型 CausalWM，参数规模 16B，采用 Causal Chain-of-Thought 范式，并公开了代码、模型权重、项目主页与论文链接。第二类是报道转述的团队说法与评测结果，包括 3 万小时数据、三步训练流程、TriWorldBench 的 66.04 分与 Top-1、PAI-Bench 第一等，这些均来自单一来源的转述，本文按 source_claim 处理，未获独立第三方验证。第三类是推断，例如「显式建模中间变量可能有助于更稳定预测」这一方法层面的信号，报道本身也仅表述为「至少提供了一个信号」。

报道还提到团队此前的 RSIAgent：它让智能体进入陌生软件，通过主动探索和反复验证摸清操作与结果的关系，再把经验沉淀进 Memory；报道称它没有更新模型参数，却推动 Kimi-K3、GLM-5.3 等开源模型在 OSWorld 2.0、Agents' Last Exam 上超过 GPT-6 Astra 等闭源模型。这些数字与结论同样来自该报道的转述，缺乏第一方来源，只能作为 source_claim 看待。

报道最后给出的是团队自己的路线定位：CausalWM 只是因果世界模型方向的第一版尝试，距离更完整的因果发现和反事实推理仍有很长距离。报道引用图灵奖得主 Judea Pearl 的三层划分（关联、干预、反事实），称现有主流模型大多停留在第一层「关联」。这一框架性表述属于报道的引述与评论，不构成对 CausalWM 能力的独立验证。