一篇被 NeurIPS 2026 神经表示中的对称性与几何研讨会（NeurReps）扩展摘要赛道接收为海报的论文，专门考察预训练 LeWorldModel（LeWM）在多大程度上复现了小幅动作变化带来的效果。作者 Vasil Vasilev 与另一位合作者没有停留在整体预测误差上，而是把问题落到“局部动作几何”这一更精细的层面：当动作发生微小改变时，模型所表示的状态响应是否与模拟器保持一致。
研究采用配对方式，将模拟器的响应与模型响应进行对照，并用 Gram 矩阵在三个不同的扰动尺度上刻画动作敏感性。实验覆盖 Reacher 和 OGBench Cube 两个环境，合计接近一千个状态。结果显示，在最小的扰动尺度下，两者最敏感的动作方向并不一致：Reacher 上的中位角度差约为 36 度，Cube 上约为 42 度。这意味着模型虽然可能整体上跟随动作变化，但在最细微的局部方向上已经出现可观的偏差。
尺度的影响同样明显。当扰动幅度扩大十倍时，中位归一化 Gram 差异在 Reacher 上下降约 70%，在 Cube 上下降约 47%。换言之，动作变化越大，模型与模拟器在几何响应上越接近；而在小尺度上，差异最为突出。作者还比较了不同观测空间：以像素和嵌入测量的几何，在不同尺度之间的波动比所选物理状态几何更大，说明表示空间的选择会显著影响对动作敏感性的判断。
在留出方向上的评估进一步量化了这种差距。环境 Gram 矩阵在嵌入响应上的中位误差分别为 17% 和 28%，而具有相同迹的各向同性参考则达到 26% 和 38%。在这一尺度上，LeWM 的误差高于参考基线。作者据此主张，对动作敏感性的评估应当针对具体尺度进行，而不能笼统地给出单一结论；至于这种局部几何偏差会如何影响下游控制性能，目前仍是一个开放问题。论文共 13 页、含 3 幅图，以扩展摘要形式发表，属于机器学习与机器人学交叉方向的工作。