世界模型和多模态模型怎么排查：先看它吃进去的是什么

搜「世界模型和多模态模型怎么排查」的人，多半是手上一个模型表现不对，却连它属于哪一类都还没分清：图片描述错了归到世界模型头上，预测视频下一帧的活儿又拿多模态聊天模型去顶。这篇先把两类的边界划开，再给一套按现象走的排查顺序，包括什么时候这套顺序不适用。

搜这个问题的人，通常是手上一个模型表现不对，却还没分清它到底属于哪一类。图片描述错了就怪世界模型，预测视频下一帧的活儿又拿去让聊天模型顶，方向一歪，后面调什么参数都是白费。

这篇先把两类的边界划开，再给一套按现象走的排查顺序。判断标准我尽量写清楚，包括什么情况下这套顺序根本不适用——有些问题压根不是模型的事。

先分清你手上是哪种模型，别急着调参

世界模型关心的是环境状态怎么推演：给一段观测，预测接下来会发生什么，输出常是状态、轨迹或者下一帧。多模态模型关心的是同一段内容换几种模态来理解或生成，输出多是对齐后的文本，或者另一种模态的内容。两者都会吃图像和视频，所以容易混。

有个很土但好用的自测：把输入里的图像或视频拿掉，任务还能不能成立。能成立的多半是多模态理解任务，拿掉就塌的，才可能碰到世界模型那一侧。比如「这段视频在讲什么」拿掉视频就没了，但它考的是理解不是推演；「照着前几帧画出下一帧」才是推演。

世界模型

输入观测，输出对下一步状态的预测，判断重点是时序和物理合理性

多模态模型

输入多种模态，输出对齐后的文本或另一种模态，判断重点是跨模态对齐准不准

自测动作

抽掉视觉输入看任务是否还成立，成立则偏理解，不成立才偏推演

按现象分头查：四类失败各自指向哪

确认完类别，就别再泛泛地问「它为什么不准」。失败现象不一样，查的地方完全不一样。下面这张表是我实际排查时的第一张对照表，先对号入座，再往下查。

描述类那条特别常见。一张长截图传进去，模型说「图里没有这个按钮」，八成不是它瞎，是你把图压成了几百像素宽，按钮糊成一团。先换原图或者分段切图，再谈别的。

时序类也好判断。视频里人先开门后进屋，模型说反了，先看你的抽帧间隔是不是几秒一帧，刚好漏掉开门那一下。很多模型只吃单帧，你喂它一串图它也不会自己排顺序，这时候问题在调用方式，不在模型。

排查顺序：从便宜的动作往上走

排查要花钱花时间，所以顺序很重要。我的习惯是从改动最小的动作往上走，每一步都先定好「什么算通过」，否则跑完一圈还是凭感觉。

1. 先改输入不改模型换一张更清晰的图、把长视频切成短段、把复合问题拆成单问单答，看现象是否消失。消失了就记下是哪个输入条件触发的。
2. 对齐版本口径同一个模型名在不同渠道可能是不同档位或不同快照，去价格变动页和模型库核对当时的口径，别拿两个不同档位的结果互相比。
3. 换一条链路复测把同样的题换到另一家官方接口跑一遍。能复现就是模型侧的问题，不能复现就是你的调用侧，比如参数填错了格子或者超时被截断。
4. 最后才换模型换之前先写下判定标准：什么算过、什么算不过，用同一批题跑。别用「感觉好一点」做结论。

第三步最容易被跳过，但它省事。我见过参数填错位置的：把温度填进了最大长度那一格，输出被硬截断，还以为是模型不会答。换条链路一跑就露馅。

这些情况下别套这套顺序

上面那套顺序有个前提：任务本身是定义清楚的。如果连你自己都说不清「理解这段视频」是要摘要、要计数还是要预测下一步，那三种要的东西完全不同，先补需求，别排查模型。需求没定就调参，纯属浪费调用次数。

还有一种情况是数据本身有版权或隐私限制，换链路复测这条路走不通，只能做离线对照，拿一批已经脱敏的样本自己跑。这时候就别硬套在线复测的步骤。

最后，拿世界模型去做生成式创作，那不是排查问题，是选型问题。你让它画一张好看的图，它本来就不是干这个的，去模型选型那篇看怎么挑，别在这儿查半天。

排查的第一步不是问模型哪里不行，是问自己喂进去的东西对不对、任务说清楚了没有。