世界动作模型测试时搜索审计同时核候选信号、真实提速与模拟完整性

世界动作模型越来越多地使用测试时计算扩展，将额外的推理计算投入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决策信号、名义上的计算节省转化为真实加速、且评估保持可靠时，这些收益才可信。我们采用先核验前提、并预先注册的方法，在 Cosmos Policy 和 RoboCasa 上审计了这三个方面。在无污染数据上，学习得到的价值选择器比随机选择差 1.66 个百分点；事后知道最佳结果的理想选择器仅提升 1.40 个百分点，且回合层面的区间包含零；82% 的状态下，候选结果完全一致，留给选择机制的提升空间很小。Token 剪枝可将单次前向计算的 FLOP 降低最多 47%，但在实际部署路径上测得的端到端加速最多为 1.15 倍（排除解码的路径为 1.25 倍），未达到 1.5 倍的目标；在统计功效门槛约束下，自适应分配实验也无法得出明确结论。我们还发现并修复了一个不会主动报错的渲染损坏问题：其发生率沿计算密集型规划路径显著上升，但不影响官方直接策略的结果。我们公开了检测器、修复方案和脚本。这些发现说明，应把测试时计算扩展作为一系列相互衔接的前提——决策信号、实际效率和评估完整性——进行审计，而非仅看成功率。结论仅适用于所测试配置。