把一个杯子从桌子左边推到右边，对人来说很自然。但把这个过程拆开看，所谓「未来」并不是突然出现的：手臂先移动，接触发生后杯子才开始滑动，运动又改变物体的位置和空间关系，最后才形成下一刻的画面。
世界模型面临的难点也在这里。现在不少模型已经能直接从当前画面生成未来画面，但如果中间的运动、接触和几何变化都被压在模型内部，外界很难判断它到底理解了世界如何变化，还是只是根据训练数据猜出了一个看起来合理的结果。
最近，Aether AI 正式发布第一版因果世界模型 CausalWM，参数规模为 16B，并提出一套新的技术范式——Causal Chain-of-Thought，即因果思维链。
来源为 Aether AI 创始人黄碧薇的 X 官方账号。按团队给出的描述，CausalWM 不急着直接生成未来，而是先推演物体如何运动、三维几何关系怎样变化，再根据这些中间结果继续生成未来画面。Aether AI 想回答的问题是：世界模型能不能不只预测「未来长什么样」，还进一步理解「未来是怎样一步一步发生的」。
CausalWM 已公开论文、代码、权重和项目主页
这套方法已经有阶段性实验结果。根据文中信息，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。该榜单主要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、右腕相机三视角的一致性。榜单共包含 6 个评测维度和 19 项具体指标，只靠「看起来合理」很难拿到高分。
文中同时给出了公开资料链接：
- 论文标题：CausalWM: Causal Chain-of-Thought Reasoning for Embodied World Model
- 代码链接：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
这条路线与团队此前发布的 RSIAgent 一脉相承。文中称，RSIAgent 让智能体进入陌生软件环境，通过主动探索和反复验证，摸清操作与结果之间的关系，再把经验沉淀进 Memory。它没有更新模型参数，但推动 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。RSIAgent 处理的是数字环境，CausalWM 则把问题推进到机器人所在的物理世界。
世界模型不再只写答案，而是补上中间推理过程
目前不少世界模型采用一条直接路径：输入当前画面和动作指令，生成未来视频。这种方法在数据规模足够大时很有效。模型见过大量「手推杯子」的视频，自然能猜出杯子接下来大概率会移动。
问题在于，运动、接触和空间变化都被压进了模型内部，外界很难判断它究竟理解了物理过程，还是从训练数据中找到了某种 shortcut。场景一旦变复杂，问题就容易暴露出来：机器人连续操作多个物体，预测时间拉长，中间一次接触判断失误，后面的画面就可能越偏越远。
CausalWM 的思路像是让一个只写答案的学生补上解题过程。它不直接从当前画面跳到未来画面，而是在生成未来视频前，先把其中一部分物理变化显式预测出来。
团队选取了几类可以从视频中自动提取的物理变量：
- Optical Flow，用来描述画面中的物体往哪里移动、移动了多少。
- Depth，用来描述物体与相机之间的距离。
- Pointmap，为画面中的像素补上三维空间位置，让模型获得更明确的三维几何关系。
文中强调，关键不在于 CausalWM 使用了 Flow、Depth 或 Pointmap，因为这些变量过去已经被大量用于视频预测和视觉理解，有时也会作为辅助监督信号出现。真正不同的地方，是它把这些变量组织成一条有顺序的 reasoning chain。
以推杯子为例，模型不是先回答几帧之后杯子会在哪里，而是先判断画面中什么东西正在运动、它往哪里运动，这一步对应 Physical Motion，可以通过 Optical Flow 表达。接着，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：杯子的位置变了，机械臂与杯子的相对距离变了，整个场景的三维结构也随之变化。这一步对应 Geometry，可以通过 Depth、Pointmap 等变量表达。到这一步之后，模型才去生成未来画面。
文中把这条典型推理链写成：
Observation → Physical Motion → Geometry → Future Observation
这里还有一个区别。传统方法即使预测 Flow、Depth 或 Pointmap，也可能只是把它们当作训练阶段的辅助目标。模型做完这道「辅助题」后，未来视频仍然可以走另一条内部路径生成。CausalWM 则不同。模型预测出 Flow 后，会把这一步结果重新放进上下文，继续用来判断三维几何关系；随后得到的 Pointmap 又进一步进入上下文，参与未来画面的生成。每一步既是预测目标，也是下一步推理的条件。
团队因此把它称作 Causal Chain-of-Thought。按文中说法，这条链利用现实世界本身存在的运动与几何变化，搭出一条真正参与未来生成的 reasoning trajectory。
Stage-ordered attention mask 限制模型按顺序推理
为了避免模型在训练时「偷看答案」，CausalWM 还加入了 stage-ordered attention mask。简单说，不同推理阶段有不同的读取权限：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。否则，模型虽然表面上完成了 Motion、Geometry 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，这条因果链就失去意义。
因此，无论训练还是实际推理，模型都必须沿着同样的方向往下走：Motion → Geometry → Future。
约 3 万小时视频数据，训练分三步完成
为了让模型真正沿着这条链推演，Aether AI 为 CausalWM 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，以及其他物理交互场景。
整个训练过程分为三步：
- Pixel-level Pre-training
- Causal CoT Mid-training
- Multi-objective RL Post-training
第一阶段：先建立世界生成能力
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。给它一段当前画面和任务描述，模型首先要能生成连贯、可信的后续视频。文中指出，没有这层基础，后面的物理推理也无从谈起。
现实数据还有一个难点：大量视频没有对应的机器人动作标注。即使有，不同机器人的关节数量、控制方式和动作空间也差别很大，很难放在一起直接训练。
团队为此引入 CD-LAM，从视频中提取统一的 latent action。它可以把画面中发生的变化压缩成一种潜在动作表示，让模型在缺少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 action-conditioned dynamics，也就是动作条件下的世界演化建模。
考虑到机器人通常同时拥有头部、手腕等多个摄像头，团队还在这一阶段训练了多视角版本。模型需要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。这为后续参加 TriWorldBench 的三视角评测打下了基础。
第二阶段：正式学习 Causal CoT
团队选取 Optical Flow、Depth 和 Pointmap 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。这几类信息都可以从原始视频中自动提取，因此不需要逐条人工标注，也更容易扩展到大规模数据。
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。文中给出的典型顺序是：
Flow → Pointmap → Future RGB
模型先预测物体如何运动，再推演三维几何如何变化，最后生成未来画面。前一步的预测结果会重新放回上下文，继续指导下一步。这样一来，Flow 和 Pointmap 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面的答案，CausalWM 使用了 stage-ordered attention mask。每个阶段只能读取当前步骤之前的信息，后面的 Pointmap 和未来视频无法向前泄露。模型在训练和实际推理时都遵循相同顺序，这条 CoT 才会真正参与未来视频的生成。
第三阶段：用最终结果反向优化整条推理链
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未来，很难像分类任务一样依靠唯一标准答案训练。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情况。
CausalWM 因此加入多目标强化学习。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得奖励，通过 group-based optimization 比较和优化这些候选结果。
这一步优化的范围还包括中间的 Causal CoT。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，容易把运动和几何关系带偏的路径受到抑制。
文中称，经过这一阶段，Causal CoT 从一条固定的监督链，变成可以探索和优化的物理推理过程。模型学习的不只有未来画面应该长什么样，还包括怎样经过一组更合理的中间变化走到那个未来。
中间变量也能变成控制接口
Causal CoT 还带来一个额外能力。训练过程中，CausalWM 不断接收光流、深度和 Pointmap 等视觉变量，再利用它们生成下一阶段结果。文中认为，模型因此学会了一种更通用的操作：只要新的条件能够表示成视觉信息，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。
假设研究人员已经在仿真器中规划好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成画面中的动作轨迹，再编码成视觉 token，送进 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，也可以沿着同一个接口输入。
这样一来，原本用来解释未来如何发生的中间变量，也成了可以拨动的「控制旋钮」。文中认为，这一点接近因果问题的核心：普通预测问的是，按照已有画面，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，再观察未来怎样随之变化。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。
不过，文中也明确表示，这距离严格意义上的反事实推理还有距离，但已经让世界模型从观看未来，向操纵条件、比较结果迈出了一步。
TriWorldBench 与 PAI-Bench 评测结果
Aether AI 在多类具身世界模型 Benchmark 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，其中包括在线 Benchmark TriWorldBench，以及离线 Benchmark PAI-Bench。文中称，结果显示 CausalWM 在多个设置下取得领先结果。
TriWorldBench 提供了一个较直观的观察窗口。与很多只评单个外部视角的视频 Benchmark 不同，它要求模型同时生成头部、左腕和右腕三个视角。这更接近机器人真实工作时的观察方式：头部相机看全局任务进展，腕部相机关注局部接触与抓取。
因此，这三个画面不只要分别「看起来像」，还必须描述同一个物理世界：机器人什么时候运动、物体有没有被正确抓取、不同视角里的状态能不能对应起来。
在最新排名中，CausalWM 以 66.04 的 TWB-Score 排在第一。文中称，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均进入前列或取得领先。
文章也提到，CausalWM 并没有包揽所有单项第一。最终总分领先，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。
在 TriWorldBench 之外，团队还在 PAI-Bench 等不同设置下进行了测试，并在最新排名中位列第一。与 TriWorldBench 侧重机器人多视角一致性不同，PAI-Bench 更关注一个底层问题：模型预测的未来是否符合物理规律。
文中介绍，PAI-Bench 的全部案例都来自行车记录仪、工业相机等真实世界采集，覆盖自动驾驶、机器人操作、工业场景、人类活动、物理常识等领域。评测时不只看画面质量，还引入「Domain Score」，让多模态大模型对着生成视频逐条追问物理细节，因此模型不能只靠「画面生成得像」拿高分。
文章认为，单看一个榜单的榜首，偶然因素总是存在；但如果同一套方法在多种任务设置下都取得较好结果，至少提供了一个方法层面的信号：相比只让模型直接从 Observation 跳到 Future，把中间的 Motion 和 Geometry 显式建模出来，可能确实能帮助世界模型更稳定地预测物理世界的变化。
从「预测世界」走向「理解世界」
文章最后把 CausalWM 放回 Aether AI 的整体路线中。过去几年，世界模型的主线很清晰：更多数据、更大模型、更长视频、更高分辨率。这条 scaling 路线教会模型回答一个问题——未来长什么样。
而 Aether AI 更关心另一个问题：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（Causal Intelligence）的核心出发点。
对于世界模型而言，现有方法往往把运动、几何和物理知识隐式压缩进隐表示中。模型可能生成一个看起来合理的未来，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 shortcut correlation 直接猜出了结果。随着预测时间变长、物体交互变复杂，这种隐式建模的局限会更明显，误差也会在看不到的地方层层累积。
CausalWM 是 Aether AI 在因果世界模型方向上的第一版尝试。它试图把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顺序的 Causal CoT，让模型沿着 Motion → Geometry → Future 的因果链逐步推演，再生成未来画面。换句话说，模型不再只是学习「输入到结果」的相关性，而开始显式建模哪些中间变化导致了哪些后续结果。
文中称，实验也验证了这条路线的潜力：CausalWM 登顶 TriWorldBench，并在 PAI-Bench 多项指标上超过 SOTA 模型，其中包括一些参数规模更大的方法。相比单纯继续扩大模型规模，Aether AI 更想验证另一条路径：通过建模 causal variables、causal dependencies 和 causal transitions，提升世界模型对物理世界的理解能力。
更进一步，Causal CoT 也让「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 intervention，通过 in-context learning 的形式注入模型。例如，将 simulator 中规划的机械臂轨迹渲染成视觉信号后加入 context，模型就可以生成与该 intervention 一致的未来。这意味着，世界模型开始从单纯观察「世界会发生什么」，走向建模「当我们改变某个变量、施加某个行动之后，世界将如何变化」。
不过，文章也指出，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距离。这也是 Aether AI 希望持续推进的问题：从因果表示学习、因果推理到因果干涉，逐步实现更完整的因果智能。文中还提到，图灵奖得主 Judea Pearl 把智能分为关联、干预、反事实三层，按 Pearl 的因果之梯划分，现有主流模型大多停留在第一层「关联」，还触不到「干预」与「反事实」。
把视野放宽，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里主动探索、验证操作与结果的关系，CausalWM 则把同一个问题搬进物理世界：一个处理软件里的因果，一个处理物理世界里的因果。
文章将这一方向概括为「Towards Real-World Causal Intelligence」——让 AI 从预测相关性，走向发现因果、理解因果、利用因果，并最终通过因果作用于世界。
本文来自微信公众号「机器之心」（ID：almosthuman2014），编辑为张倩。MarsBit 收录并发布了该文。