行业对照与前沿印证

DiT 到 Sora：架构影响与产品存续分开

DiT 证明标准 Transformer 可以作为潜扩散骨干，并在其 ImageNet 设定中展示清晰的计算量—质量关系 ^[1]。OpenAI 的 Sora 技术说明称其为 diffusion transformer 并引用 DiT，这支持架构谱系影响；实现没有公开，不能升级为“直接采用公开 DiT backbone”，谢赛宁也不在 Sora 团队 ^[2]。

OpenAI 后来宣布停止 Sora 产品：App/Web 关闭与 API 计划关闭有不同日期。产品商业存续不改变 2024 年技术说明对 DiT 的引用，但 Sora 不应继续出现在“当前玩家”列表中 ^[3]。

世界模型赛道：按输出契约而非口号划分

路线	当前代表	输出	验收重点
潜空间预测大脑	JEPA／AMI 公开愿景	动作条件潜状态	规划成功、状态可迁移、OOD 稳定
显式 3D 世界	World Labs 等	几何或可计算场景	重建完整性、动态一致、可编辑
视频 world simulator	Genie、Cosmos、Runway 等	条件视频轨迹	长时一致、可控动作、物理约束

三条路线可能互补：显式状态提供接口，潜状态承担预测与规划，视频生成承担可视化和数据扩增。把它们排成单一高下会掩盖不同输出契约。

世界模型的正面理论进展

When Does LeJEPA Learn a World Model? 用形式化分析讨论线性可识别性，并明确依赖隐变量分布、充分探索等条件。价值在于把经验配方转成可检查命题；边界也同样重要：非高斯或目标导向采样可能落到保证之外 ^[4]。

这类结果属于 LeCun 学术圈的公开研究，不是 AMI 产品或交付。把论文进展直接写成公司技术里程碑会混淆作者群体与组织边界。

反面证据：预测好不等于规划好

Stable World Models 系列实验关注分布变化与规划稳定性，显示背景或轨迹分布变化会显著破坏模型，并指出预测误差并不是规划成功的充分代理 ^[5]。

这直接挑战一条常见跳步：

\text{预测误差低} \not\Rightarrow \text{规划成功} \not\Rightarrow \text{系统安全}

原因包括 OOD 动作、误差方向、规划器利用模型漏洞，以及多步滚动把小偏差放大。世界模型评测必须包含闭环任务，而不只是 held-out prediction。

Cambrian-S：路线证据与 shortcut 风险

Cambrian-S 通过 LFP 与 surprise 研究长视频记忆和空间能力，报告仅增加上下文与数据不足以维持超长视频上的空间表现 ^[6]。

原型同时保留批判性边界：Benchmark 与模型可能共同适应，简单视觉基线或输入重排可能暴露 shortcut。正确措辞应是“在论文设定下显示／挑战”，而不是“证明获得世界模型”或“被彻底证伪”。

理解与生成统一

MetaMorph 把文本与视觉表征放进同一自回归框架，报告理解数据对理解和生成都有帮助，但两向收益并不对称 ^[7]。统一多模态预训练进一步比较编码器、数据混合、MoE 与动作 token，说明视觉可以 scale，却比语言更吃数据 ^[8]。

这些结果支持“理解和生成共享表征基础”，但不等于所有任务都应共享同一个输出头或损失。

REPA 与 RAE：最扎实的已兑现主线

REPA 报告外部自监督视觉表征能够显著改善训练效率与生成质量 ^[9]。RAE 则表明预训练表征编码器并非只能用于判别任务，也可以与训练得到的解码器组成生成潜空间 ^[10]。

论文把 RAE 描述为 DiT 的新默认候选；这是作者主张，不是行业采用统计。后续文生图扩展属于同一研究线的放大验证，也不能冒充独立团队广泛采用。

Vision-centric 的证据强度

MMVP 与 Cambrian-1 支持“视觉表征是多模态系统的真实瓶颈”，但两篇论文并未证明语言中心路线整体失败 ^[11] ^[12]。

目前最稳的证据链是：

多模态模型存在基础视觉失败；
更强或更多样的视觉表征能改善 grounding；
外部视觉表征能改善生成训练；
预训练视觉表征可以直接构成生成 latent。

尚未成立的外推是：

纯视觉系统会全面替代语言中心系统；
连续感知数据会自然产生规划能力；
世界模型已经出现稳定 scaling law；
一个潜状态能跨导航、操作与科学模拟通用。