论文导读
元环智能、北京大学与清华大学等机构联合用细胞自动机拆解世界模型：单格预测准确率可达96.3%，完整演化成功率却只有18.9%。研究把落差归结为空间局部性、时间局部性和时间稳定性，并用三处信息流修改将对应指标从39.1%、25.8%、42.2%大幅推高。
每一步只错一点，滚动起来也会全盘崩
细胞自动机的规则很简单：下一帧每个格子由邻域与历史决定。它因此适合做“显微镜”，排除真实视频里的材质和语义干扰。实验显示，模型逐格看似很准，一旦把自己的输出不断喂回去，早期小错便改变后续邻域，最终轨迹偏离。单步准确率因此会掩盖世界模型真正需要的长期一致性。
图：论文把空间局部、时间局部和时间稳定性并排展示，柱状数字对应三种信息流修复。
三个病根都指向信息该怎样流
空间局部性要求模型明确保留相邻格子的二维关系，避免展平后让边界两侧错误相邻；时间局部性要求同一格的历史与当前输入绑定；时间稳定性则要求生成按因果顺序提交，避免联合去噪时未来帧互相改写。作者没有更换主干模型，而是分别补二维位置、历史检索和因果冻结，直接检验每条假设。
图：格子序列示意展示模型如何寻找等价历史，并在未匹配时回退到先验规则。
接近100%的修复来自受控任务
空间设置从39.1%升至100%，时间设置从25.8%升至99.9%，稳定性设置从42.2%升至99.9%。这些数字证明信息流设计能造成决定性影响，却不等于开放世界视频也能获得同样提升。细胞自动机规则确定、观测完整，真实视频还包含遮挡、连续物理量和不可观测状态，因果来源更复杂。
图：论文图6比较台球与生命游戏中的联合生成和因果冻结，并给出网络深度与步幅结果。
下一步是把诊断带回复杂世界模型
这项工作更像一套故障定位方法：先用受控系统检查模型是否保存邻域、历史与生成顺序，再进入视频或机器人环境。后续可在含遮挡的小游戏、物理模拟和真实视频上逐级增加难度，并同时报告单步误差、轨迹成功率与错误传播距离，避免再次被平均准确率迷惑。
工程上可以把三项诊断做成训练前的单元测试。若模型连二维邻域都无法稳定保持，就没有必要先扩大视频数据；若短期正确但滚动崩溃，则应检查历史绑定与采样顺序。这样的分层测试比只看一个总分更容易定位改动是否有效。进入开放世界后，还应加入不可观测状态和随机扰动，区分模型是真的学到转移规律，还是依赖固定种子与重复图案。只有从可控规则逐步过渡到复杂环境，接近100%的实验结果才具有更广泛解释力。
