世界模型这条赛道上，入场的力量正在变化。此前主要是创业公司与海外实验室，今年开始高校与地方政府也组织力量参与：7月北京大学与一家创业公司成立世界模型联合实验室，10月由企业牵头的通用世界模型北京市重点实验室揭牌。11月中旬，西湖大学成立世界模型研究中心，校长、中国科学院院士施一公亲自揭牌，同时亮出首版基础模型Awomo-0.5。参数规模只有40亿，却在六项国际公开评测的不同榜单上同时登顶。
40亿参数与六个榜单
先看成绩的构成。六个榜单覆盖物理推理、机器人操作与泛化三类任务，方向不同，意味着不是靠单一数据集调优刷出来的。已披露的两个具体数字是：在RoboTwin-c2r双臂操作评测中成功率80.6%，在零样本基准MolmoSpaces上73.4%。前者考的是双臂协同完成操作任务，后者考的是在没有针对性训练的场景里能否直接上手。
40亿参数放在今天不算大。语言模型动辄千亿，视频生成模型也在百亿量级，用4B去做世界模型，等于主动放弃了靠规模堆泛化的路径，转而押注表示方式。这个选择有现实考虑：团队要处理的是物理状态而不是文本，输入是图像与少量动作，输出是状态预测，所需的语义覆盖面比语言任务窄得多，参数可以更省。省下来的算力换成数据与迭代次数，是更划算的交换。
不生成画面，生成概念
主流的视频式世界模型，核心目标是生成未来若干帧，把预测能力藏在画质里。这条路线直观、可展示，但有个结构性弱点：模型可能把画面画得很像，却不理解物体之间的关系。一个杯子滑向桌边，视频模型能画出杯子掉落的样子，但它是否真的判断了重心是否越过边缘，从输出上看不出来。
概念世界模型换了一种表示。它把物体属性、空间关系、材质、接触状态这些信息，转成潜空间里可以组合、复用的物理概念，每个概念同时对应一段语言描述和一类物理现象，再用这些概念推演后续状态。判断杯子会不会掉，靠的是重心、支撑面、摩擦这些概念的组合，而不是下一帧该长什么样。这个设计的直接好处是可解释性更好，出错时能定位到是哪个概念判断错了；代价是概念体系需要人工设计或至少人工校验，覆盖不到的物理现象会成为盲区。
与JEPA的分岔
这条路与另一条隐空间路线同源而不同。后者主张在潜空间做表征预测，用预测误差驱动学习，不做像素级重建；概念世界模型同样不做逐帧生成，但进一步把潜空间里的内容定义成可组合的物理概念，让表示具备类似词汇的结构。差别在于是否要求表示可被人读懂、可被拆开重组。
这个差别在工程上很实际。表征预测学到的向量无法单独拿出来解释，要定位错误只能靠对比实验；概念化的表示可以把"接触状态判断错了"单独拎出来修。但概念体系一旦定死，模型对新物理现象的适应就会变慢，因为它必须把新现象塞进已有的概念集合里。这也是这条路线最需要回答的问题：当遇到训练数据里没有的材质或运动模式时，它是能组合出新的概念，还是只能给一个似是而非的答案。
80.6%与73.4%的边界
两个数字都需要限定条件。80.6%来自RoboTwin-c2r，这是仿真环境里的双臂操作评测，任务定义、物体集合、成功判据都由基准规定，真机上的长尾情况不在题目里，比如来料毛刺、薄袋反光、下游堵塞。73.4%来自MolmoSpaces，零样本意味着没有针对该场景微调，但"零样本"通常指没有监督微调，预训练数据里是否有相近场景无法排除。
更关键的是，官方目前没有开放权重、代码或评测复现细节。这不奇怪，高校成果从论文到开源往往有几个月延迟，但对判断路线优劣来说，复现是唯一的硬标准。仿真里80.6%的操作成功率，换到真机上通常会掉一大截，掉多少取决于感知噪声与执行误差的处理。所以在开放之前，合理的读法是：这条路在受控评测里跑通了，工程上能否成立仍是未知。
高校为什么要成立一个校级中心
团队已经做了三年世界模型研究，建有自主智能实验室，也拿出了阶段性成果，按常理不必再挂一块牌子。成立校级研究中心的动因，多半在于资源组织方式。世界模型需要三样东西同时到位：清洗过的具身数据、跨地域的算力、能长期跟进的工程队伍。前两样靠单个课题组很难稳定拿到，做成校级平台才可能持续。公开信息提到，团队已清洗50万小时具身数据，配套接近千卡的跨地域算力，这个量级已经超出一般实验室的常规配置。
组织形态也影响评价方式。课题组的考核周期通常两三年，世界模型这类方向的回报周期更长，做成中心可以把考核拉长，允许在某个子问题上多试几轮。这跟企业实验室的逻辑不同：企业要的是能进产品的模块，高校要的是可公开、可复现的方法。两者并不冲突，但分工正在变得清晰，企业做集成与落地，高校做表示与理论。
下一关是复现
对关注这条路线的人来说，接下来该盯的不是又登顶几个榜，而是三件事：权重是否开放、评测代码与数据管线是否公开、以及在新场景上的失败案例长什么样。前两件决定别人能不能验证，第三件决定这条路线的边界在哪里。一个只公布成功率的模型，无法判断它在什么条件下会崩。
放到更大的图景里，概念世界模型给出的启发是：世界模型不必等于视频生成。把预测能力绑定在画面上，会让人误以为画质提升等于理解加深；换成概念表示，虽然展示性差，但每一步判断都可被追问。对做机器人与具身智能的团队而言，这种可追问性比漂亮的样片更值钱，因为现场出问题时，你需要知道它到底错在感知、判断还是执行。
