测试时搜索何时有助于世界动作模型？对候选选择与模拟器完整性的实证审计

arXiv:2610.41970v2 公告类型：交叉发布 摘要：世界动作模型越来越多地采用测试时扩展，将额外的推理计算用于候选选择和自适应分配，以改进控制。只有当候选包含可利用的信号、名义上的计算节省转化为实际加速，且评估保持可靠时，这些增益才可信。我们采用前提优先、预注册的方法，在 Cosmos Policy 和 RoboCasa 上对这三个方面进行审计。在干净数据上，学习得到的价值选择器比随机选择差 1.66 个百分点；事后最优选择器仅提升 1.40 个百分点，且回合级区间跨越零；82% 的状态下各候选的结果完全相同，留给选择策略的提升空间很小。词元剪枝使每次前向传播的 FLOPs 最多减少 47%，但在实际部署路径上，测得的端到端加速最高仅为 1.15 倍（在不含解码的路径上为 1.25 倍），未达到 1.5 倍的目标；而我们的自适应分配实验在统计功效门槛约束下无法得出明确结论。我们还识别并修复了一种静默渲染损坏问题，其发生率在计算密集型规划路径上急剧上升，但不影响官方的直接策略结果，并发布了检测器、修复方案和脚本。这些发现说明，测试时扩展应作为一条前提链（决策信号、实际效率、评估完整性）接受审计，而不应仅依据成功率进行评判。结论仅适用于所测试的配置。