预测下一秒还不错，为什么十秒后就乱了？

偏一点，下一次就从偏掉的位置开始

设想一颗球沿着弯曲轨道滚动。模型预测下一刻时，把球的位置估计得稍微靠外了一点。如果下一次预测仍然从摄像头看到的真实位置开始，这个偏差还有机会被纠正；如果接下来只能拿刚才预测的位置继续算，偏差就成了下一步的起点。

连续预测十步，并不等于把“预测一步”独立做十次。前一步的输出会影响后一步的输入，这叫自回归滚动。V-JEPA 2 的论文明确指出，自回归预测中的误差积累会限制长时规划。题目中的一秒和十秒只是直观对照，不是所有模型共同的失效阈值。

训练数据通常提供一整段已经发生的轨迹。用真实历史状态去预测下一状态，模型每一次都能得到较可靠的起点，这类做法常称为教师强制（teacher forcing）。DINO-WM 明确用教师强制训练世界模型。

使用时却可能需要从某个起点向前推演很多步。第一步之后，程序拿到的是模型自己的预测；这些状态可能偏离训练轨迹里的状态。于是，同一个预测器面对的输入条件发生了变化。单步误差小，仍然不保证长串预测准确。

V-JEPA 2-AC 同时使用教师强制项和自回归项来训练，让模型不仅接触真实历史，也接触自己的滚动预测。论文中的多步训练项是在处理这个差别；它没有消除长时规划的全部限制。

若误差只是沿着平稳轨迹传递，后续偏差可能变化不大；若它把状态推到了另一种情形，后果就会放大。球从轨道边缘落下、夹爪从接触变成没有接触、车辆从车道内变成压线，都是帮助理解的设想。模型随后预测的是这条错误分支上的后续。

还有一种情况：模型被规划程序带到了不熟悉的区域。离线训练轨迹覆盖了一部分状态和行动组合，优化器却可能找出数据中少见的组合，并利用预测器的缺陷得到很高的分数。《World Models》讨论的模型利用问题，说明对“高分行动”的检验不能只停在模型内部。

这里并没有“误差必然每步增加”的定律。有的系统会稳定下来，有的误差会抵消，有的预测目标根本不使用逐步滚动。要知道哪种情况发生，必须看具体模型和多个预测长度上的验证。

另一颗球从遮挡后滚出来，你没有看见它之前受到的力。即使模型本身很强，仅凭当前画面也可能无法确定它下一刻的唯一位置。环境的随机性、遮挡和缺失观测，会使未来有多个合理结果；这与模型没学好动态是不同问题。

一个模型可以输出单点、分布或多条采样未来。只看其中一条与实际录像是否完全重合，有时会把合理的不确定性也算成错误；反过来，生成许多可能画面，也不能证明概率、物理约束和行动后果已经正确。

《World Models》用概率模型表达下一潜在状态，并通过采样构造虚拟环境。理解这类模型时，需要同时问预测允许多少种未来，以及不同未来怎样影响控制器。把预测分散简单理解成“模型乱了”，会丢掉这层区别。

如果模型预测的是图像，最容易看到的错误是物体消失、形状变化或运动跳跃。如果模型预测的是特征，画面甚至不会被直接生成。DINO-WM 与 V-JEPA 2-AC 都利用表征预测来规划；可视化只是理解预测的一种手段，不能替代控制实验。

行动选择还有另一个检验：相同起点下，换一个候选动作，模型有没有把后果区分对？几种行动的预测画面都很漂亮，但风险排序错了，规划仍可能失败。相反，某些与任务无关的视觉细节预测得不精确，也未必妨碍短程控制。

因此，比较长预测时要注明测的是什么：像素、潜在特征、物体位置，还是实际任务完成率。它们分别回答不同问题。不能用一个视觉分数替所有行动任务给出结论。

一种实用办法是减少一次计划被盲目执行的长度：先规划一段，执行其中的一部分，再观察并重新规划。这是模型预测控制的核心做法之一。它把每次决策的起点拉回新观测，而不是要求一条预测从头准确延伸到终点。

纠偏也有条件。摄像头可能被遮挡，观测延迟可能很大，刚执行的动作也可能无法撤回。V-JEPA 2-AC 对相机位置敏感，原作者在实验前手动尝试不同机位；重新观察并不会自动补上相机坐标与行动坐标之间的歧义。

另一条思路是用子目标或不同时间尺度组织任务。V-JEPA 2-AC 的拾取放置演示使用连续的图像子目标，原论文把更长时程、无需人工给定子目标的规划列为未来工作。完成长任务的系统，可以依靠很多次短程修正；这与一次预测很长未来，需要分别评价。

DreamerV3 的视频预测展示会明确说明上下文帧、后续行动和不再接收中间画面的长度；V-JEPA 2 则分别介绍预测时程、闭环控制和子目标。这样的实验条件比单看一段“像真的”视频更能说明模型用了哪些信息。

能预测更长的未来当然有价值，但“越长越好”还不够具体。眼前需要避免碰撞的行动，可能主要依赖近处结果；需要把物体搬到另一个房间的任务，则还需要路径、阶段和较长时间尺度上的判断。合适的预测长度要与任务、重新观测的机会和误差容忍度一起看。

下一次看到长时预测演示，可以把问题改成：它从哪里开始推演，多久能得到新的观测，哪些误差会改变动作选择，最终有没有在模型之外验证。这些条件能帮助区分可用的预见能力与一段暂时连贯的未来画面。