让机器人把一只虾夹起来，再准确放进锅里。对人类来说，这是一段自然连贯的动作：手臂靠近，夹爪闭合，虾被抬起，随后沿着一条连续轨迹移动到锅的上方。但在目前的视觉世界模型眼中，这个过程往往不是连续发生的。它看到的是第 1 帧、第 2 帧、第 3 帧……模型根据当前画面预测下一个离散时刻的画面，再一步步向未来滚动。
这就带来一个根本问题：
现实世界明明沿着物理时间连续演化，为什么机器人却只能一帧一帧地“猜”未来？
基于此背景，清华大学智能产业研究院（AIR）与 UC Berkeley BAIR 研究团队合作提出了一种全新的预测范式——ODEWorld，连续时间具身世界模型，让机器人从逐帧预测走向连续理解世界。
ODEWorld 不再把未来预测视为一道“下一帧是什么”的逐帧填空题，而是让模型直接学习世界在物理时间中的变化方向与速度。
目前，大多数视频世界模型和潜空间世界模型都建立在离散时间之上。它们把视频切分成一组固定间隔的画面，并学习从一个时间步跳转到下一个时间步。训练数据以什么频率采样，模型通常就按照什么节奏认识世界。
这种范式很自然，也推动了视频生成和机器人预测能力的快速进步。但它始终存在一个结构性的错位：模型学习的是一组离散快照之间的映射，而真实运动发生在快照之间。
一只杯子从桌面被拿起，不是突然从位置 A 跳到位置 B；机械臂靠近抽屉把手时，运动速度也不会一成不变，它会先接近目标，在接触前减速，完成抓握后再次加速，将抽屉拉开。速度、方向、停顿和加速，共同构成了完整的物理过程。
逐帧模型可以模仿这些过程呈现出来的画面，却很难直接表达“此刻的世界正在如何变化”。当采样频率变化、部分观测缺失，或者需要预测训练时从未出现过的中间时刻时，固定时间步就会成为限制。
更棘手的是，机器人视频中真正发生变化的内容往往只占画面的一小部分。
桌面没有动，墙壁没有动，大部分物体纹理也没有动。真正需要建模的，是机械臂、夹爪、被操作物体，以及它们之间不断变化的关系。
如果把整幅画面的所有细节都塞进同一个动力学空间，模型就不得不一边记住大量静态背景，一边学习少数关键运动。
ODEWorld 希望改变这件事。
ODEWorld 背后的核心范式叫作 Physical-Time Flow，简称 PT-Flow。
它的直觉并不复杂。
传统世界模型不断询问：下一帧是什么样？
PT-Flow 则改为询问：此刻的世界正朝哪个方向、以多快的速度变化？
模型先把高维视觉画面压缩到一个紧凑的动态潜空间。在这个空间里，每个状态不再是一个孤立的点，而是处在一片连续的速度场中。
速度场告诉模型，当前状态下一瞬间应该朝哪里移动，以及移动得有多快。给定初始状态后，ODEWorld 通过常微分方程求解器沿着速度场进行积分，就能得到未来任意时刻的潜在状态，再将其还原为视觉画面。
用一个公式表示，就是：
这里的“时间”不再是扩散模型从噪声走向图像的虚拟生成时间，而是视频和机器人真实运动所对应的物理时间。
预测未来，也由此从反复调用下一步预测器，变成了沿着连续动力学轨迹向前积分。
要从复杂的视觉观测中学习物理世界的连续演化规律，引入连续时间方程还不够，还要为物理变化找到合适的表征空间。
无论是机器人操作、自动驾驶，还是自然场景中的物体运动，画面中通常都混合着两类本质不同的信息：
机器人视频是这种矛盾最直观的样本：桌面、墙壁和大部分物体纹理几乎不动，真正决定任务进程的，是机械臂、被操作物体及其相互关系的连续变化。如果让同一个潜空间同时背负这两类信息，速度场就会被大量与动力学无关的细节干扰。
ODEWorld 因此设计了一套动态表征解耦机制。
模型将初始状态作为静态上下文，交给编码器和解码器直接使用。动态潜空间不再需要反复存储背景信息，而是专门表达当前状态相对初始状态发生了什么变化。
换句话说：静态背景由初始状态负责记忆，潜空间只负责描述世界怎么动。
静态信息与动态信息解耦
04/JEPA忙着给隐空间加“防坍缩护栏”，ODEWorld直接改写训练目标
把世界预测搬进隐空间，虽然能避开昂贵的像素生成，却也带来了一个几乎绕不开的问题：表征坍缩。
如果编码器把不同画面、不同动作阶段都压成相同或高度相似的向量，预测器反而可以轻松获得很低的训练损失。但这样的隐空间没有保存真正的世界状态，更不可能用来规划机器人下一步怎么动。
这正是 JEPA 路线长期面对的核心难题。常见做法是在预测目标之外继续增加“防坍缩护栏”：使用停止梯度和 EMA 目标编码器维持两条分支的不对称，或者加入方差、协方差乃至完整分布形状约束，强制隐空间保持足够的信息量。近期围绕 JEPA 的不少工作，重点仍然是在设计更强、更稳定的正则项。
ODEWorld 的解法截然不同。
它没有把“防止坍缩”当成一个需要外挂正则项来补救的问题，而是从一开始就改变隐空间的监督目标。ODEWorld从真实视频序列中估算视觉特征随时间的变化速度，再通过雅可比向量积（JVP）将这一速度投影到动态潜空间，直接监督模型学习正确的一阶速度。
换句话说，这个隐空间不能只给出一个“看起来相似”的答案。它还必须正确解释状态沿物理时间如何移动。这要求动态表征同时满足两件事：能够重建真实发生的视觉变化，并且其一阶导数必须与视频中的真实变化速度保持一致。
这种差异也可以直接从表征质量上看出来。
在相同的 RankMe 评估协议下，ODEWorld 的动态隐空间只有 768 维，有效秩却达到 425.2；同样是 768 维的 DINOv2 CLS 特征，有效秩为 376.1；V-JEPA 2 的表征维度达到 1024，有效秩却只有 203.7。换句话说，ODEWorld 用更紧凑的表征空间，保留了比 DINOv2 和 V-JEPA 2 更丰富的有效变化维度。
这说明，ODEWorld 不是靠不断增加外部约束把隐空间“撑开”，而是通过动态解耦、视觉重建和一阶速度监督，让富含信息量的连续表征成为任务本身的内在要求。
RankMe 有效秩对比。柱顶数字为“有效秩 / 表征维度”；数值越高，说明表征保留的有效变化维度越丰富
连续时间建模最直观的变化，是模型不再被固定帧率锁住。
想生成多快，就采样多快
ODEWorld 学习的是一条连续潜空间轨迹，而不是一组固定时间点。
因此，同一个动作可以按照不同时间间隔进行采样：既可以生成慢动作，也可以正常播放或快速推进。
模型不需要为每一种帧率重新训练。只要改变 ODE 求解时查询的时间点，就能得到对应速度的画面序列。
任意时间分辨率生成
训练视频缺了帧，也能把中间过程补回来
团队还将训练序列降采样到原始帧率的三分之一。
即便只看到更稀疏的观测，ODEWorld 仍然可以查询训练数据中缺失的中间时刻，生成平滑、连贯的动作过程。
这里的补帧并不是在两张图片之间进行普通的视频后处理，而是从模型学习到的连续动力学轨迹中恢复相应时刻的状态。
补帧生成
更有意思的是，同一套速度场还可以反向使用。
ODEWorld 只需将积分方向反转，就能从后续状态出发，沿着学习到的连续动力学轨迹向过去生成。
这不是把一段已经存在的视频直接倒放，而是给模型一个状态，让它在潜空间中按照相反方向重新推演整个变化过程。
同一个模型、同一套动力学，既能向前预测，也能向后追溯。
补帧生成
连续时间并没有让 ODEWorld 变得更重。
由于预测主要发生在紧凑的动态潜空间，速度场又由轻量网络参数化，ODE 积分的计算成本很低。
在 长程视频预测实验中，ODEWorld 生成 64 帧画面只需 0.072 秒。作为对比，V-JEPA 2 需要 0.619 秒，LDP 则需要 3.953 秒（以上结果均在单张 A100 GPU 上测得）。
速度提升的同时，画面质量也没有被牺牲。
在 64 帧预测中，ODEWorld 的 PSNR 达到 19.46，高于 V-JEPA 2 的 16.47 和 LDP 的 16.27；感知相似度指标 LPIPS 则降至 0.134，优于另外两种方法。
这意味着 ODEWorld 不仅可以生成更连贯、更接近真实观测的长程画面，也能以更低的延迟完成整段未来推演。
过去的世界模型习惯把未来拆成一帧帧画面。
ODEWorld 则把未来重新写成了一条随物理时间连续演化的轨迹。
在这套范式下，任意帧率、缺失帧恢复和反向预测不再是额外添加的独立功能，而是连续时间建模自然衍生的能力。
当世界模型不再只预测下一帧，而是开始学习世界此刻如何变化，机器人对未来的理解，也第一次从一组离散快照变成了一条可以前进、放慢、补全，甚至反向追溯的连续时间流。
