11个系统未匹配未来概率，ES覆盖更多路径

重点关注

01 评测 同一初态重复生成，才看得见概率偏差

同样的初始画面和动作，重复生成多次，模型给出的各种结局是否会以正确频率出现？这正是PAWBench关心的问题：真实物理过程往往存在多种有效走向，世界模型不仅要产出一条看似合理的轨迹，还应还原这些走向的条件分布。它配套的PAWEval把多次视频生成转换成不同物理结果的经验概率，让评测单位从「这个视频像不像真的」升级为「这批预测的概率结构对不对」。在50个场景和11个现有系统上，没有模型能在覆盖多种有效行为的同时，持续匹配参考概率——这意味着单次演示再惊艳，也可能只是押中了某一种未来。这个变化会直接影响开发流程：数据集需要记录同一条件下的多种结果，测试需要重复采样，模型选型也不能只比较最佳样本。论文还考察了语言提示、初始噪声和模型训练能否重塑预测分布，具体效果需要看全文确认；同时要注意，概率对齐是一项关键能力，但不是对通用物理理解的完整认证。

原文：PAWBench: How Far Are We from Probabilistically Aligned World Modeling?

02 Agent 看懂眼前的路，为什么还是走不到目的地？

街景识别做得好，不代表多模态大模型（MLLM）能在城市中持续行动，因为眼前获得的线索会随着移动、路线可用性变化和行人运动迅速失效。UrbanGround用基于香港全域3D地理数据构建的真实尺度沙盒，把测试从静态问答推进到第一视角、受物理约束的连续导航。摘要显示，现有模型通常具备视觉识别和短距离空间推理能力，但方向判断、避让行人以及长距离探索仍不可靠，局部错误还会不断累积而缺少有效纠正。这个沙盒不能等同于真实城市部署，其更实际的价值是检验「感知证据的有效期」：模型走了几步、环境发生变化后，原先的判断还能否支撑下一步决策。对城市导航或具身Agent团队来说，部署前应重点测试证据失效与主动纠错，而不只是单帧识别准确率。

原文：UrbanGround: From Local Perception to Spatial Agency in a Real-Scale City

03 训练优化 从环境到成功信号，轨迹必须首尾一致

ACE把Agent数据统一表示为环境、任务、交互和成功信号四个相互依赖的要素；任何一环错位，都可能生成与任务目标或成功信号不一致的经验。论文进而把数据生成拆成准确性、复杂度和多样性三层：先确认经验真实且内部一致，再判断难度是否匹配当前学习者，最后检查覆盖面是否只是表述变化。这个视角尤其适合拆开候选构造、执行验证与样本筛选，避免把「能生成」和「值得训练」混成同一件事。对训练团队而言，更实用的审计方式是沿着环境、任务、交互、成功信号逐段追问：每一环是否支持同一个结果，又是否提供了当前模型真正缺少的经验。它提供的是一套整理和诊断框架，具体收益仍需结合不同Agent任务与训练配置验证。

原文：What Makes Good Agentic Data? An ACE Lens on Data Generation for LLM Agents

04 推理 省显存只是表象，后训练真正争的是推理覆盖面

实验显示，ES在提升Pass@1的同时取得了比GRPO更高的Pass@K，并展现出更多样的推理路径。GRPO训练中还出现了熵坍缩，作者因此提出先GRPO、后ES的顺序训练，分别利用前者的单次命中能力和后者的多路径覆盖优势。另一个有意思的结果是，尽管ES让全模型参数发生明显漂移，真正贡献性能提升的只是少量幅度较大的更新，且留出集评估未显示必然发生灾难性遗忘。这意味着后训练算法的选择不只是显存问题，还要权衡推理覆盖面、有效更新和采样成本，但这些结论能否跨模型规模与任务成立，仍需看全文及更多实验。

原文：Understanding Evolution Strategies for LLM Reasoning: Broader Reasoning Coverage than GRPO