一篇被 NeurIPS 2026 神經表示中的對稱性與幾何研討會（NeurReps）擴展摘要賽道接收為海報的論文，專門考察預訓練 LeWorldModel（LeWM）在多大程度上覆現了小幅動作變化帶來的效果。作者 Vasil Vasilev 與另一位合作者沒有停留在整體預測誤差上，而是把問題落到“局部動作幾何”這一更精細的層面：當動作發生微小改變時，模型所表示的狀態響應是否與模擬器保持一致。
研究採用配對方式，將模擬器的響應與模型響應進行對照，並用 Gram 矩陣在三個不同的擾動尺度上刻畫動作敏感性。實驗覆蓋 Reacher 和 OGBench Cube 兩個環境，合計接近一千個狀態。結果顯示，在最小的擾動尺度下，兩者最敏感的動作方向並不一致：Reacher 上的中位角度差約為 36 度，Cube 上約為 42 度。這意味着模型雖然可能整體上跟隨動作變化，但在最細微的局部方向上已經出現可觀的偏差。
尺度的影響同樣明顯。當擾動幅度擴大十倍時，中位歸一化 Gram 差異在 Reacher 上下降約 70%，在 Cube 上下降約 47%。換言之，動作變化越大，模型與模擬器在幾何響應上越接近；而在小尺度上，差異最為突出。作者還比較了不同觀測空間：以像素和嵌入測量的幾何，在不同尺度之間的波動比所選物理狀態幾何更大，説明表示空間的選擇會顯著影響對動作敏感性的判斷。
在留出方向上的評估進一步量化了這種差距。環境 Gram 矩陣在嵌入響應上的中位誤差分別為 17% 和 28%，而具有相同跡的各向同性參考則達到 26% 和 38%。在這一尺度上，LeWM 的誤差高於參考基線。作者據此主張，對動作敏感性的評估應當針對具體尺度進行，而不能籠統地給出單一結論；至於這種局部幾何偏差會如何影響下游控制性能，目前仍是一個開放問題。論文共 13 頁、含 3 幅圖，以擴展摘要形式發表，屬於機器學習與機器人學交叉方向的工作。