World model
学习 (o,a)→o'、r、done 或未来视频。它回答：如果我这么做，世界会怎样？
建立世界模型与具身智能的心智地图
为什么这张地图重要
世界模型和具身智能的论文经常混用“模型”两个字：有时指预测未来的 world model，有时指决策的 policy，有时指整个 agent。如果不先分清，你会把“能生成视频”误认为“能控制机器人”。
Policy
学习 o→a。它回答：我现在应该怎么做？
VLA
输入图像、语言、状态，输出动作块。通常是 policy，不必然显式预测未来。
Embodied AI
把感知、决策、动作和真实/仿真环境连成闭环。
Benchmark / Challenge
Benchmark 是固定协议；challenge 是按官方指标排名的比赛。先看指标，再看榜单。
本课程使用的五个对象
| 对象 | 本地代表 | 核心问题 |
|---|---|---|
| Video world model | Cosmos3-Nano | 未来画面是否合理？ |
| Latent world model | Tiny RSSM | 低维状态能否预测未来？ |
| VLA | SmolVLA | 语言+图像+状态如何输出动作？ |
| Dataset | LeRobot PushT | 数据分布和 action 空间是什么？ |
| Benchmark | gym-pusht | 闭环 return / coverage / success 如何？ |
实践：三分钟分类训练
- 打开 基本介绍 和 Field Map。
- 把 Cosmos、RSSM、SmolVLA、PushT 数据集、gym-pusht 分别写在纸上。
- 给每个对象标注：输入、输出、是否显式预测未来、是否直接输出动作。
- 检查你是否能说出每个对象的证据等级：interface / offline / closed-loop。
- 用一句话说明 benchmark、leaderboard、challenge 的差别，再查看 比赛与 Benchmark 地图。
小胜利
完成后，你应该能把“会预测”和“会行动”分成两条线，并知道它们可以组合。
检索练习
SmolVLA 输出 action chunk 时，最准确的分类是什么？
选择一个答案
SmolVLA 的公开接口是把图像、语言和状态映射为动作块，因此是 VLA policy；它不显式输出未来画面。
本课一手来源
DreamerV3 与 Cosmos 是理解两条主线的起点：DreamerV3、Cosmos。
有疑问就问
把不理解的地方直接发给老师/agent，最好附上你观察到的现象和报错。
Course file: lessons/0001-mental-map.html