一直有个疙瘩：现在的视频模型学的是画面像不像，没人教它物体接下来会怎么动。所以杯子掉地上会穿模，手伸过去抓东西直接穿过去——看着对，物理上完全不成立。
最近在琢磨 Flex-π 这个路子。它训练时不只盯着 RGB，而是让一个模型同时预测未来的画面、3D 点图、DINO 那套语义特征，还有动作，几路信号一块儿当监督。等于把几何和语义硬塞进训练目标，逼它长出一点空间直觉，而不是背像素的统计规律。
工程上更香的是部署：同一个权重，既能当纯动作策略跑，也能当完整世界模型跑，或者夹在中间某一档，不用为不同场景各训一套。
跟我们平时玩的生成模型看着是两条线，我倒觉得会撞到一起。往后拼的不是分辨率，是模型脑子里有没有一个说得通的世界。