文章摘要
Aether AI发布16B参数的因果世界模型CausalWM，该模型创新引入因果思维链，将原本隐于模型内部的物理过程显式化，按运动、三维几何、未来画面的顺序逐步推演生成结果，解决传统模型无法验证物理理解的问题。目前CausalWM已登顶机器人世界模型基准TriWorldBench，在多个相关评测中取得第一，验证了该技术路线的有效性。

世界模型也开始写「解题过程」

当我们把桌上的杯子从左侧推到右侧，这个动作看起来再自然不过。但拆解来看，所谓的“未来”并非凭空出现：手臂先完成移动，接触发生后杯子才开始滑动，运动又改变了物体的位置和空间关系，最终才形成下一刻我们看到的画面。

对于世界模型来说，核心挑战也正在于此。当下不少模型已经能够熟练地从当前画面直接生成未来画面，但运动、接触、空间变化这些关键过程都被封装在模型内部，我们无法判断它究竟真正理解了物理世界的运行逻辑，还是仅仅依靠训练数据的统计规律“猜”出了看似合理的结果。

近期，Aether AI正式发布了首款16B参数的因果世界模型CausalWM，它尝试将原本隐藏在模型内部的物理过程显式化，并引入了全新的技术范式——因果思维链（Causal Chain-of-Thought，简称Causal CoT）。

简单来说，CausalWM并不会直接从当前画面跳跃到未来画面，而是先推演物体的运动方式、三维几何关系的变化，再基于这些中间结果生成最终的未来画面。Aether AI希望通过这种方式回答一个更具深度的问题：世界模型能否不只预测“未来长什么样”，更能理解“未来是如何一步步发生的？”

目前这套方法已经获得了阶段性的实验验证。在最新更新的机器人世界模型基准TriWorldBench上，CausalWM登顶排行榜，取得Top-1的成绩。该榜单专门考察世界模型对机器人任务的预测能力，尤其关注头部相机、左腕相机、右腕相机的三视角一致性，总计包含六个评测维度、19项具体指标，仅靠“看起来合理”很难拿到高分，必须真正理解物理机制才能达标。

这个思路和团队此前发布的RSIAgent一脉相承：RSIAgent让智能体进入陌生软件，通过主动探索和反复验证梳理出操作与结果之间的关联，并将经验沉淀到记忆模块中，它无需更新模型参数，就推动Kimi-K3、GLM-5.3等开源模型在OSWorld 2.0、Agents’ Last Exam等基准上超过GPT-6 Astra等闭源模型。RSIAgent处理的是数字环境中的因果关系，而CausalWM则将这一问题推进到了机器人所在的物理世界。

相比“又一个榜单第一”，更值得探讨的是：CausalWM为什么要在世界模型中加入这条因果思维链，以及这条链究竟是如何运作的？

  • 论文标题：CausalWM: Causal Chain-of-Thought Reasoning for Embodied World Model
  • 代码仓库：https://github.com/AetherLabsAI/CausalWM
  • 模型权重：https://huggingface.co/AetherLabs-AI/CausalWM
  • 项目主页：https://aetherlabsai.github.io/CausalWM/
  • 论文链接：https://openreview.net/pdf?id=3pf4d0EEqm

当前主流的世界模型多采用直接映射的路径：输入当前画面和动作指令，直接生成未来视频。这种方法在数据规模足够大时效果不错，比如模型看过大量“手推杯子”的视频，就能大概率猜出杯子接下来会移动。但这种方式将运动、接触和空间变化都压缩在模型内部，无法验证其对物理过程的理解程度。当场景变得复杂，比如机器人连续操作多个物体，预测时间拉长时，中间一次接触判断失误，后续的画面就会出现越来越大的偏差。

CausalWM的思路类似让只写答案的学生补上解题过程：它不会直接从当前画面跳到未来画面，而是在生成视频前，先显式预测其中的物理变化环节。团队选取了几类可以从视频中自动提取的物理变量：

  • 光流（Optical Flow）：描述画面中物体的移动方向和位移幅度
  • 深度（Depth）：描述物体与相机之间的距离
  • 点云图（Pointmap）：为画面中的像素补充三维空间位置，让模型获得更明确的三维几何关系

但真正让CausalWM脱颖而出的，并非使用了光流、深度或点云图——这些变量早已被广泛应用于视频预测和视觉理解，有时也作为辅助监督信号出现。CausalWM的核心创新在于，将这些变量组织成了一条有序的推理链。

还是以推杯子为例，模型不会直接回答“几帧后杯子会在哪里”，而是先思考“画面中什么物体正在运动，正往哪个方向移动”，这对应物理运动（Physical Motion）环节，可以通过光流来表达。接下来，模型继续推演：“这样的运动会让场景中的三维空间关系发生什么变化？”杯子的位置、机械臂与杯子的相对距离都会改变，整个场景的三维结构随之变化，这对应几何（Geometry）环节，可以通过深度、点云图等变量表达。完成这两步推演后，模型才会生成最终的未来画面：“在这样的运动与几何变化后，未来画面应该是什么样子？”

由此，一条典型的推理链就此形成：Observation → Physical Motion → Geometry → Future Observation

这里有一个至关重要的区别：传统方法即使预测光流、深度或点云图，也可能只是将它们作为训练阶段的辅助目标，模型完成这些“辅助题”后，未来视频的生成仍然可以走内部的其他路径。但CausalWM不同：模型预测出光流后，会将这一结果重新放入上下文，用于判断三维几何关系；随后得到的点云图也会进一步进入上下文，参与未来画面的生成。因此，每一步既是预测目标，也是下一步推理的条件。这也是团队将其称为因果思维链的原因：它利用现实世界本身存在的运动与几何变化，搭建出一条真正参与未来生成的推理轨迹。

为了避免模型在训练时“偷看答案”，CausalWM还加入了阶段有序注意力掩码（stage-ordered attention mask）。简单来说，就是为不同的推理阶段规定信息读取权限：前面的步骤只能查看已经发生的信息，无法提前读取后续的点云图或未来画面。否则，模型即使表面上完成了运动、几何等中间预测，实际上可能已经从“最终答案”中反推出前面的变量，这条因果链也就失去了实际意义。因此，无论是训练还是实际推理，模型都必须按照“Motion → Geometry → Future”的固定顺序推进。

3 万小时视频，分三步把因果链训出来

要让模型真正沿着这条因果链推演，仅靠架构设计是不够的。Aether AI为CausalWM构建了约3万小时的具身视频混合数据集，覆盖机器人操作、第一视角视频、多视角机器人数据以及其他物理交互场景。整个训练过程分为三个阶段：Pixel-level Pre-training → Causal CoT Mid-training → Multi-objective RL Post-training

第一阶段：先建立足够强的世界生成能力

CausalWM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能力。当输入一段当前画面和任务描述时，模型首先需要生成连贯、可信的后续视频。没有这一基础，后续的物理推理便无从谈起。

现实中的视频数据存在一个痛点：大量视频没有对应的机器人动作标注，即使有标注，不同机器人的关节数量、控制方式和动作空间差异巨大，难以直接统一训练。为此，团队引入CD-LAM，从视频中提取统一的潜在动作表示，将画面中发生的变化压缩为一种潜在的动作表达，让模型在缺乏真实控制指令的情况下，仍能学习“什么动作带来了什么变化”。来自不同机器人的视频，也可以通过这套统一表示共同用于动作条件下的世界演化建模。此外，考虑到机器人通常同时配备头部、手腕等多个摄像头，团队在这一阶段还训练了多视角版本，让模型从不同位置观察同一次操作，并保持物体状态和机器人动作的一致性，这为后续参加TriWorldBench的三视角评测打下了基础。

第二阶段，模型开始正式学习 Causal CoT

第二阶段是模型正式学习因果思维链的环节。团队选取光流、深度和点云图作为中间物理变量，它们分别描述画面中的运动、物体与相机的距离，以及更明确的三维空间关系。这些信息都可以从原始视频中自动提取，无需逐条人工标注，因此更容易扩展到大规模数据集。

在训练过程中，模型按照预设的物理依赖关系逐步生成中间变量，典型顺序为：Flow → Pointmap → Future RGB。模型先预测物体的运动方式，再推演三维几何关系的变化，最后生成未来画面。前一步的预测结果会被重新放回上下文，用于指导下一步的推理。这样一来，光流和点云图既是需要预测的目标，也是后续推理直接使用的条件。为了防止模型在训练中提前看到后续信息，CausalWM同样使用了阶段有序注意力掩码，确保每个阶段只能读取当前步骤之前的信息，后续的点云图和未来视频不会向前泄露，保证训练和推理的顺序一致，让因果思维链真正参与到未来视频的生成中。

第三阶段：用最终结果反过来优化整条推理链

视频生成具有很强的开放性：同一个初始场景可能存在多个合理的未来，无法像分类任务一样依靠唯一标准答案进行训练。单纯使用监督学习，也很难同时兼顾物理一致性、时序质量和任务完成度。为此，CausalWM加入了多目标强化学习。针对同一个上下文，模型会采样多个未来结果，再从物理一致性、视觉质量和任务完成度等维度获取奖励，通过基于组的优化比较和优化这些候选结果。

这一阶段的优化范围还包括中间的因果思维链：模型会根据最终视频的质量，探索哪些推理路径更有效，能够产生合理未来的中间过程得到强化，容易导致运动和几何关系偏差的路径受到抑制。经过这一阶段，因果思维链不再是固定的监督链，而是变成可以探索和优化的物理推理过程。模型学习的不再只是未来画面的外观，还包括如何通过一组更合理的中间变化，最终到达目标未来。

当 Causal CoT 变成 In-context Learning 的控制接口

因果思维链还带来了一项额外的能力。在训练过程中，CausalWM不断接收光流、深度和点云图等视觉变量，并利用它们生成下一阶段的结果。久而久之，模型学会了一种更通用的操作逻辑：只要新的条件能够被表示为视觉信息，就有机会被放入上下文，参与未来画面的生成。

这为模型控制留下了入口。假设研究人员已经在仿真器中规划好了机械臂的关节运动轨迹，利用机器人的URDF结构信息和正向运动学，这串关节数据可以被渲染为画面中的动作轨迹，再编码为视觉标记后输入CausalWM。经过少量微调，模型便能识别这种原本不在因果思维链中的条件，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，也可以通过同一接口输入。

原本用于解释未来如何发生的中间变量，由此变成了可以调节的“控制旋钮”。这一点非常接近因果问题的核心：普通的预测只会问“按照已有画面，接下来大概率会出现什么？”，而加入轨迹相当于主动改变一个条件，再观察未来如何随之变化。模型开始处理“如果让机械臂这样运动，杯子会如何移动”这类带有干预意味的问题。当然，这距离严格意义上的反事实推理还有一定距离，但它已经让世界模型从被动观察未来，转向主动操纵条件、比较结果，迈出了关键的一步。

Causal CoT 真的有效吗？

Causal CoT真的能让世界模型更好地预测未来吗？Aether AI在多类具身世界模型基准上对CausalWM进行了评测，覆盖语言条件、动作条件、单视角和多视角预测，包括在线基准TriWorldBench和离线基准PAI-Bench等。测试结果显示，CausalWM在多个设置下都取得了领先的成绩。

其中，TriWorldBench提供了一个非常直观的观察窗口。与多数只评测单个外部视角的视频基准不同，它要求模型同时生成头部、左腕和右腕三个视角的画面，这非常贴近机器人真实工作时的观察方式：头部相机用于观察全局任务进展，腕部相机则关注局部接触和抓取操作。因此，三个画面不仅要各自“看起来真实”，还必须描述同一个物理世界：机器人何时运动、物体是否被正确抓取、不同视角中的状态能否对应一致。

在最新的排行榜中，CausalWM以66.04的TWB-Score位列第一，其中三视角一致性、任务对齐、运动质量、透视合理性和图像质量等多项指标都处于前列或领先位置。它并没有包揽所有单项第一，但最终总分领先，说明在这套评测体系下，CausalWM能够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等多个维度的要求。

除了TriWorldBench，团队还在PAI-Bench等不同设置下进行了测试，并同样取得了排名第一的成绩。与侧重机器人多视角一致性的TriWorldBench不同，PAI-Bench拷问的是一个更底层的问题：模型预测的未来是否符合物理规律？该基准的所有案例都来自行车记录仪、工业相机等真实采集的画面，覆盖自动驾驶、机器人操作、工业场景、人类活动、物理常识等多个领域。评测时不仅会考量画面质量，还会引入「Domain Score」，让多模态大模型作为裁判，针对生成视频逐条追问物理细节。因此，模型无法仅靠“画面生成得像”来获取高分。

仅靠单个榜单的榜首难免存在偶然因素，但如果同一套方法在多种任务设置下都能取得不错的结果，至少能够提供一个方法层面的信号：相较于让模型直接从观察跳跃到未来，将中间的运动和几何环节显式建模，或许能够帮助世界模型更稳定地预测物理世界的变化。

Aether AI 的 CausalWM：从 “预测世界” 到 “理解世界”

过去几年，世界模型的发展主线非常清晰：更多的数据、更大的模型、更长的视频、更高的分辨率。这条缩放路线教会了模型回答一个问题——未来长什么样。但Aether AI更关注另一个问题：未来为什么会这样发生，以及什么真正决定了未来。

这也是Aether AI持续推进因果智能的核心出发点。对于当前的世界模型而言，多数方法都会将运动、几何和物理知识隐式压缩到隐表示中。模型或许能够生成看起来合理的未来画面，但却很难判断它是否真正识别了关键因果变量，还是依赖数据中的短期关联直接“猜”出结果。随着预测时间变长、物体交互变得复杂，这种隐式建模的局限性会愈发明显，误差会在未被直接观察到的环节层层累积。

CausalWM是Aether AI在因果世界模型方向上的首次尝试，它试图将原本隐藏在模型内部的物理变化显式化：将光流、深度、三维几何等变量组织成有序的因果思维链，让模型沿着Motion → Geometry → Future的因果链逐步推演，再生成最终的未来画面。换言之，模型不再只是学习“输入到结果”的相关性，而是开始显式建模哪些中间变化导致了哪些后续结果。

实验结果验证了这条路线的潜力：CausalWM登顶TriWorldBench，并在PAI-Bench的多项指标上超过了当前的最优模型，其中不乏参数规模更大的方法。相较于单纯继续扩大模型规模，Aether AI更希望验证另一条路径：通过建模因果变量、因果依赖关系和因果转换过程，提升世界模型对物理世界的理解能力。

更进一步，因果思维链还让“因果推理”和“控制”开始共享同一套接口。原本用于解释未来的中间变量，也可以反过来作为干预手段，通过上下文学习的形式注入模型。例如，将仿真器中规划的机械臂轨迹渲染为视觉信号后加入上下文，模型就可以生成与该干预一致的未来画面。这意味着，世界模型开始从单纯观察“世界会发生什么”，进一步转向建模“当我们改变某个变量、施加某个行动之后，世界将如何变化”。

当然，CausalWM仍然只是这条路线的起点，距离更完整的因果发现和反事实推理还有很长的路要走。但这也正是Aether AI希望持续推进的方向：从因果表示学习、因果推理到因果干预，逐步实现更完整的因果智能。注：图灵奖得主Judea Pearl将智能分为三层：关联、干预、反事实，按照Pearl的因果之梯划分，当前的主流模型大多停留在第一层“关联”，无法触及“干预”与“反事实”层面。

将视野放宽来看，CausalWM只是这条长期路线的一个阶段性成果。RSIAgent让智能体在数字环境中主动探索、验证操作与结果的关系，而CausalWM则将这一问题搬到了物理世界：一个处理软件中的因果关系，一个处理物理世界中的因果关系。这也是Aether AI“Towards Real-World Causal Intelligence”所指向的方向——让AI从预测相关性，进一步走向发现因果、理解因果、利用因果，并最终通过因果作用于真实世界。

该团队的下一份研究成果，值得期待！

以上内容不代表本平台立场，仅供读者参考