北交大 x 小米 EV 团队：一次关于世界模型「靠不靠谱」的系统复盘

在自动驾驶研究不断向世界模型演进的过程中，一个长期被回避却无法忽视的问题正逐渐凸显：模型在论文中的性能提升，是否真的对应着系统在真实驾驶环境中的鲁棒性提升? 过去数年中，大量工作通过更复杂的生成结构、更精细的预测目标和更先进的训练策略，使世界模型在视觉预测与场景生成指标上取得了显著进展。然而，在工程实践中，这些看起来 reminder 的模型，往往并不能稳定支撑长期决策、复杂交互和安全约束并存的真实驾驶系统。 问题并不完全出在模型本身，而更深层地指向了实验范式与评测目标的错位：我们究竟在通过实验验证什么？是模型是否预测得更像，还是系统是否运行得更稳？在缺乏统一任务定义、系统级闭环验证和可信评测标准的前提下，世界模型的能力边界正在被系统性高估。 正是在这一背景下，北京交通大学研究团队联合小米汽车自动驾驶与具身智能算法团队，在论文《Progressive Robustness-Aware World Models in Autonomous Driving: A Review and Outlook》中，对自动驾驶世界模型进行了不同于传统综述的系统性审视。 这项工作并未提出新的模型或算法，而是基于大量已有实验结果，重构了一套以鲁棒性为核心变量的分析框架，从生成评测、结构化空间建模、规划验证到系统级闭环行为，逐层揭示了当前世界模型研究中被忽视的关键断层，并明确指出哪些结论是被实验真正支持的，哪些则仍停留在指标幻觉之中。 论文地址：https://doi.org/10.36227/techrxiv.176523308.84756413/v1 基于既有实验结果的系统性观察 如果将这篇论文视作一次严格意义上的实验研究，那么它的实验结果并不是某个模型在某个指标上的提升，而是一组关于整个自动驾驶世界模型研究方向有效性与局限性的实证性结论。这些结论来自对大量已有实验结果的系统重组，而非主观推断。