世界模型只懂物理不懂人心？这篇论文把「信念」写进了状态机

最近扫 arXiv 看到一篇让我停下来想了想实际场景的论文。Hao Fei 和 Yiran Zhao 发的「Mental World Modeling」，题目不新，但切入点很准——现在的世界模型能回答「这个物体在哪、会怎么运动」，但完全搞不懂「这个人下一步会干什么」。

拿 LLM 模拟一个用户操作流程来说，模型能把界面画对、元素位置说对，但一到用户决策就翻车。因为它看到的只是画面——画面里的人在想什么、相信什么、打算什么，这些信息在训练数据里隐着，但模型从来没被要求显式建模。

这篇论文把这个短板直接命题了。它提了一个叫 MWM（Mental World Modeling）的理论框架，核心就一句话：把心智状态（一个人相信什么、想要什么、意图是什么、感觉到什么、认为社会允许什么）变成世界模型的内置变量，而不是事后的解释补丁。

他们实现了一个叫 MENTIS 的基线系统，不训练、全可审计，整个流程拆成五步——状态解析 → 目标视角生成 → 动作分解 → 物理-心理联合演化 → 分支级价值评估。每一步都能打开看中间结果，不是端到端的黑箱。

实验也实在。他们自建了一个质量控制过的数据集，覆盖文本、图像和有声视频三种叙事场景，拿了 8 个现代 LLM 做世界模型来比。显式建模心理状态的版本，在预测人类决策上明显更准。

但真正有价值的不只是这个结论——这篇论文把瓶颈拆开了。它不只说「心理状态很重要」，还给出了一个可操作的分层结构：世界状态 = 物理状态 × 每个人的心理状态，每次动作更新既要改变物理，也要改变每个人的知识、信念和意图。这套形式化，哪怕不跑代码，光是读一遍就比自己模糊地想「模型应该懂人」清晰得多。

项目页挂在 https://mental-world.github.io/，论文 CC BY-NC-ND 4.0，arXiv ID 2607.27201，感兴趣的可以自己翻实验细节。

我自己的判断是：世界模型这个方向过去两年被炒得厉害，但绝大多数落地方案仍然在跟物理场景较劲——渲染、预测、规划。Mental World Modeling 最直接的冲击是提醒了一件事：如果一个模型能完美预测球的轨迹却猜不对人下一步的动作，那它本质上还是缺了一层。这层不是加一个 personality prompt 能补的，需要从状态表示层面动手。

目前 MENTIS 还是个无训练基线，效率和多轮耦合的复杂度还没展开讲。但这篇至少划了一条线：下一阶段的世界模型，可能不只是模拟物理场景，而是模拟在场景里行动的那颗大脑。