冻结的流会遗忘：诊断并恢复潜流世界模型中丢失的运动

在冻结的自监督潜空间中整合流的潜在世界模型，训练稳定且成本低廉，却会悄然丧失操控最依赖的属性：运动。预训练流从不移动被操控的物体；使用仅潜空间损失重新训练它，也只会将静止替换为类似瞬移的运动。我们追溯发现，失败源于训练信号而非表征：稀疏锚点、仅潜空间的监督从未说明变化应在时间跨度中的哪个位置发生。借助解码增强的滚动训练（DART），这一问题得以修复，同时保持表征冻结，仅使用解码路径监督重新训练流。在完整评测协议下，DART 的表现优于其仅使用潜空间的基础模型，恢复了运动的时间结构，并使预测运动重新与场景耦合；在更大规模下，它进一步提升了预测质量，弥合了与基于预言信息的插值参考之间剩余差距的近一半。最后，我们报告了一个出人意料的评测发现：仅使用像素误差会奖励静止不动的预测。