X-Foresight：长时 chunk-wise AR 把世界模型嵌进 VLA 主干

X-Foresight（PWM Team, XPeng Inc., arXiv:2605.24892, v3 2026-06-08）是小鹏 GWM (Generative World Models) 谱系的第三块拼图。前两块——X-World 把 production-grade 多相机驾驶世界模型从话题做成了可对照的工程对象，X-Cache 把它的推理 wall-clock 压到闭环可承受。X-Foresight 解决的是怎么把这套世界模型真正接进 VLA 策略训练循环里——它的命题是把 world model 直接嵌进 VLA 主干联合训练，让同一张网络同时输出 chunk-wise 未来视频和 ego action，跟之前"世界模型当外部数据生成器"的解耦范式分道扬镳。

paper 的命题在摘要里讲得很直接：predictive world modeling 是给 VLA 加 forward-looking 能力的标准路径，但简单做 next-frame prediction 会撞上两堵墙——视频 token 低熵冗余让训练退化成 trivial 外推；瞬时动力学要求密集帧、长程因果要求长 horizon，单一时间分辨率两头都顾不到。X-Foresight 用四招同时解：long-horizon chunk-wise auto-regressive 替代 next-frame；curriculum 把 inter-chunk stride 从 1 秒渐进推到 3 秒；temporal importance sampling (TIS) 把训练预算压到 safety-critical chunk；diffusion renderer 解耦让 LDM 输出的 camera token 是 plausible futures 的低熵 summary、不浪费 capacity 学 pixel detail。

读者预设：通读过 X-World 那篇精读（架构、Rectified Flow 训练、view-temporal SA），知道 Dense Latent Predictive Supervision 那篇里 “latent 比 pixel 好” 的论证。本文不会重复这两条。

一、问题域：video-based world modeling 的两堵墙

要看清 X-Foresight 在解什么，先把它要绕的两堵墙立起来。

墙 1：视频 token 低熵冗余。语言模型 next-token prediction 之所以 work，是因为文本 token 语义离散、熵高、相邻 token 几乎独立——预测下一个词需要真的从上下文里抽信息。视频 token 完全相反：相邻帧之间像素级差异极小，4Hz 采样下两帧之间车体只挪几个像素、纹理几乎不动。一个 next-frame predictor 直接把 $t$ 帧 copy 到 $t+1$ 帧、配一点点小扰动，L2 loss 就会非常低——但模型什么因果都没学到，只学会了 trivial extrapolation。这是 video-based world modeling 跟 LLM 共用 AR 框架时最容易踩的坑，也是为什么 Sora 这一类 pixel-level 视频模型走 diffusion 路线、而 Genie 这类 world-model 路线必须做 token-level 重 design。

墙 2：时间 dilemma。世界模型同时要 model 两类时间结构：

• 瞬时动力学 (instantaneous dynamics)——刹车制动响应、转向跟随、cut-in 启动瞬间，这些发生在数百毫秒尺度，需要密集帧才能抓住；
• 长程因果 (long-term causality)——多出口环岛要在 200 米外就根据导航选 lane、红灯还有 3 秒切绿灯所以现在不必急刹，这些发生在 5-10 秒尺度，需要长 horizon 才能展开。

单一时间分辨率两头都顾不到。密集采样到 12Hz 训 10 秒就 120 帧 × 7 路相机，token 数量爆炸；稀疏采样到 1Hz 训 10 秒只有 10 帧，瞬时动力学完全 alias 掉。这条 dilemma 在 paper 里被反复强调，是 chunk-wise 设计的根本动机。

附加约束：VLA 不能只 react。当前主流 VLA 架构（包括小鹏自家的 VLA 2.0，paper §1 直接点名）是 fundamentally reactive 的——只看历史观测出动作，没有 forward simulation 的内部机制。模型遇到危险只能临场反应，不能像人类司机一样"我知道前面那辆车要变道、所以现在就该松油门"。X-Foresight 的整个命题是把 predictive world modeling 嵌进 VLA architecture，让模型在出动作之前先在 latent 空间里"想象"几秒钟未来。

二、第一招：Chunk-wise Auto-Regressive

paper Figure 5 给的五种 prompt formulation 对照是整篇方法论的核心，按递进关系展开：

(c) → (d) → (e) 是 X-Foresight 的实际配置链。

chunk 内 vs chunk 间的非对称设计。chunk 内是 1 秒 / 4 帧的密集结构，model 每步看到完整的瞬时动力学；chunk 间通过 stride 在时间上跳过去——预测目标是 3 秒之后那个 chunk，而不是 接下来 1 秒。这等于把 model 强迫训练到"跨语义距离的 chunk 之间做预测"，从根上破掉 trivial extrapolation——3 秒后场景跟现在差异足够大，copy-paste 策略 loss 会爆。同时密集 intra-chunk frame 保住瞬时动力学不丢。两堵墙一起翻。

action 跟 observation 的非对称。这条很关键：observation target 在 stride 上预测（3 秒后那个 chunk），但 action 仍然是 immediate next step。理由是闭环 control 必须输出 dense、unstrided 的轨迹——3 秒后那一步的方向盘转角对当下决策没意义。paper 把这个写成"asymmetric design that allows the model to learn long-horizon visual evolution while preserving the temporal resolution required for ego-action prediction"。这条不对称是 chunk-wise 框架能同时承担"world modeling 长程信号"和"closed-loop 实时 control"两个目标的关键。

跟 dense-latent 论点的咬合。X-Foresight 的 LDM 用 L2 loss regress camera token——一个 token 对应多个 plausible futures 的低熵 summary。paper §3.3.1 原话：“each predicted camera token was regressed against many plausible futures under an L2 objective, it converged to a low entropy summary of the conditional future — enough for action grounding and scene structure, but visually blurry when decoded directly”。这跟 Dense Latent Predictive Supervision 那篇的核心论点完美咬合——latent 监督的好处恰恰是 不浪费 capacity 去 model pixel-level texture，让 backbone 专注结构性世界知识。X-Foresight 把这条 spatial 维度的 dense-latent supervision，再叠了一层 temporal 维度的 chunk-wise organization。

三、第二招：Curriculum + Temporal Importance Sampling

Chunk-wise 解决了"如何设计单步预测"，下面两条解决"训练时怎么排预算"。

3.1 Curriculum：1s → 3s 渐进 stride

直接训 3 秒 stride 的长 horizon 不稳定——model 还没建立短 horizon 的基础就被推到困难任务上。X-Foresight 的 curriculum 是"先 1 秒 contiguous chunk、再 3 秒 strided chunk"两阶段，论文里叫 CL（curriculum learning）和 CLEF（curriculum learning with extended foresight）。Table 2 数字：

• Cont. H=6 baseline：collision rate 0.270%
• +H=21, CL (1s contiguous chunk 拉长到 21 chunk)：collision rate 0.238%
• +H=21, CLEF (在 CL 基础上把 stride 推到 3s)：collision rate 0.230%，lateral ADE 0.1692（最低）

CLEF 提供最强的 ADE/FDE，但 Safety 维度回退 (CL 0.9310 → CLEF 0.9387)。paper 的 honest 评价是：“progressively extending the foresight horizon stabilized trajectory prediction, though Safety regressed slightly versus CL, motivating the safety-targeted sampler in Row 4”。这是 paper 内部论证链的重要环节——CLEF 不是终点，是引出 TIS 的台阶。

3.2 Temporal Importance Sampling (TIS)

Curriculum 把 horizon 撑大了，但训练预算大头还是落在 cruise（巡航）chunk 上——那些占数据 70%、信息量最低、却被 uniform sampler 平均吃掉的 segment。TIS 的方案是按 ego trajectory 的加速度信号 给每个候选 step 算 importance score：

三个时间窗口分别对应不同 maneuver 阶段：

• $W_1^k$ near-future——刹车启动、急加速、突然变道这些即将发生的事件；
• $W_2^k$ mid-horizon——更远一点的 maneuver commitment（左转入、刹入车位）；
• $W_3^k$ recent-history——刚刚执行完的 maneuver 余波。

每个窗口取 max 是因为 maneuver 是 瞬态 事件——窗口内只要有一个高加速度点，整个 chunk 就 safety-critical。然后 temperature-scaled 采样：

$\tau$ 控制 distribution 锐度。再加一条工程约束：consecutive selected steps 之间最大时间间隔不超过某个上界——防止 sampled sequence 过于稀疏，让 future prediction 还能 condition 在最近的 temporal context 上。

Table 2 第 4 行：CLEF + TIS 把 collision rate 从 0.230% 进一步压到 0.216%（6.1% 相对降）。Production scale (1024 GPUs) 的 Table 3 数字更显眼——X-Foresight 完整组合 vs baseline：

• Lat ADE 0.1675 → 0.1567 (-6.4%)
• Lat FDE 0.4153 → 0.3789 (-8.8%)
• Collision 0.228% → 0.191% (-16.2%)
• Safety 维度 (-9.1%) 和 Compliance 维度 (-8.2%) 是涨幅最大的两条——正好对应"safety-critical chunk 监督加强 → safety/compliance 提升"的设计意图

3.3 不只是数据重采样

值得单独讲一句：用加速度信号做重采样在 AD 数据工程里不算新——很多团队都拿 lat/long accel 当难度代理。X-Foresight 的具体 contribution 在三个细节：(a) 三窗口 max 同时覆盖 imminent / committed / aftermath 三类时间相位，不是单一前瞻窗；(b) temperature-scaled distribution + 最大间隔约束，让重采样不至于退化成"只看长尾、丢掉常态"；(c) 跟 chunk-wise + curriculum 配套使用，落到具体 prompt formulation Fig 5(e)。这三件捏在一起的 instantiation 是这一招的工程价值。

四、第三招：Diffusion Renderer 解耦

整套架构有两个组件：Large Drive Model (LDM) 做联合 world prediction + action planning（unified token space）；Vision Renderer 把 LDM 输出的 camera latent token 解码成 photorealistic 多视角帧。两者职责严格分离。

4.1 为什么必须解耦

LDM 的 camera token 是 L2 regress 出的 plausible futures 平均——结构对、appearance 模糊。直接送回 vision encoder 做下一步 chunk 的 history，rollout 累积误差会快速发散，下游 perception 跟着崩。但要让 LDM 自己同时背 photorealistic synthesis 又是另一个问题——pixel detail 跟 world structure 是两类不同的信号，强行塞进一个 transformer 会让 capacity 在两边都打折。

paper 的解法直白：让 LDM 只输出"想象的 latent summary"，让 diffusion renderer 单独做"把 summary 还原成 photorealistic 帧"。一个负责 imagination + control，一个负责 photorealism。renderer 直接 fork X-World 的 DiT + 3D causal VAE backbone（这就是为什么 paper §6 acknowledgments 专门 cite “sibling GWM team” on X-World）。

4.2 Renderer 不 condition action token

这条是 X-Foresight 最关键的设计决策之一，也是最容易被忽视的一招。renderer 接受两路输入：multi-view history frames（标准 I2V 路径）+ LDM 预测的 camera tokens（cross-attention 注入）。不接受 action tokens。理由 paper §3.2.1 写得透：如果 action 也喂进来，renderer 会把它当 low-entropy shortcut 用，绕过 camera tokens 自行预测未来——LDM 跟 renderer 就 独立预测 了，闭环就破了。

camera token 是 LDM 控制 renderer 的唯一信息瓶颈。这个 bottleneck 设计有个漂亮的副作用——可以用它 audit 训练过程是否健康：把同一个 camera token 同时送进 renderer 和 一个独立的轻量 Camera Latent Decoder（§4.1.3），如果两者输出的几何结构吻合，说明 camera token 真的承载了 LDM 的 latent imagination，renderer 没瞎编。Fig 8 展示 LDM 从 action token 预测的轨迹（蓝线）覆盖在 renderer（不接受 action token）渲染的画面上，跨 6 秒 horizon 始终几何一致——这就是 audit 通过的视觉证据。

4.3 Rollout drift 处理

闭环部署下，renderer 每一步输出会变成下一步的 history conditioning，模型暴露在自己的 sample 分布而非 ground-truth 分布上——经典 exposure bias。X-Foresight 没用 CausVid / Self-Forcing 那种 distribution matching distillation，而是两个 lighter-weight 修正：latent sink 锚定一个稳定 reference context 跨 rollout 步保留；latent augmentation 在训练时给 current-step latent 加扰动，让 renderer 提前见过 perturbed conditioning。Helios 那一脉的 trick。代价小、收益清楚——Table 5：renderer 6 秒 rollout FID 从 1.51 涨到 2.84，FVD 从 11.28 涨到 29.52，drift 累积可控。

4.4 Camera Latent Decoder 作为诊断工具

这件小工具在论文里只占 §4.1.3 半页篇幅，但工程价值高于它的篇幅占比。问题是：diffusion renderer 有强生成 prior 和采样随机性，输出的画面 看起来对 不代表 latent space 结构 真的健康。renderer 能用 prior “脑补"出合理画面，掩盖 latent drift。

解法是训一个轻量、确定性、不带 generative prior 的 decoder——causal 3D ResNet + lowest-resolution 处的 spatial self-attention，progressive spatio-temporal upsampling 把 latent 还原成图。这个 decoder 出图会糊，但糊得"诚实”——latent 漂了，糊的位置就直接体现出来。它的角色是 X-Ray，不是 Photoshop。renderer + 这个 decoder 双路对照，就有了诊断 latent drift 和 multi-view alignment 问题的客观工具。

五、第四招：Semi-Causal Block-Sparse Attention

长 horizon 训练 attention 是 quadratic 瓶颈。X-Foresight 用 block sparse attention (BSA) 加针对性的 mask 设计，把 active block 数推到随 sequence length 线性增长。Table 4：BSA + 自定义 mask 把训练 per-step time 从 24.50s（FlashAttention-2 + standard causal mask）压到 15.40s，1.59× 训练吞吐。

mask 设计的几条规则（Figure 6）：

• System prompt 当 sink token——所有后续 chunk 可见，提供全局 task context；
• Chunk 内全 bidirectional——同一 chunk 里的 text / observation / action / query token 联合推理；
• Chunk 间按位置对应做 sparse 连接——每个 chunk 内部 layout 一致，token $l_i$ 在每个更早 chunk 都有 positional counterpart，cross-chunk attention 限制在这个 counterpart 周围一个空间邻域，邻域 width 随 temporal distance shrink。这样保留了 spatial reasoning 又不至于全连接；
• Query token $Q_i$ 可以看所有 prompt-side history，但 不能看其它 query token ($Q_{1:i-1}$)——防止预测耦合，每个 chunk 的预测必须从 ground-truth-conditioned prompt history 出发；
• Heads 按 parity 分组——奇偶头 attend 互补的 temporal offset，这是把 active block 数从 quadratic 压到 linear 的关键 trick。

这套 sparse pattern 跟 Radial Attention（NeurIPS 2025）那一脉的 sparse 设计同源——sequence 沿语义结构分组、跨组 attention 走稀疏 pattern。在长 horizon driving 这个特定 setting 下，X-Foresight 给出了 chunk-aligned + parity-split 的具体 instantiation。

六、训练 pipeline：三阶段解耦-然后-对齐

整个模型分两个组件训三个阶段，paper Figure 4 是核心。

Stage I：LDM 单独训

teacher forcing，输入历史 multi-view + 文本 instruction + ego state，预测 future ego actions + per-camera latent tokens + auxiliary BEV map。loss 三件加权和：

• $L_{\text{act}} = \frac{1}{H} \sum \|\hat{a}_i - a_i\|_1$（action L1）
• $L_{\text{cam}} = \frac{1}{HV} \sum \|\hat{o}_i^v - g(I_i^v)\|_2$（camera token 跟 frozen ViT 输出的 L2，$g(\cdot)$ 是 base VLM 的冻住 ViT）
• $L_{\text{bev}} = \frac{1}{H} \sum \|\hat{b}_i - b_i\|_2$（BEV map L2，给 query token 一部分加几何监督）

这一阶段配 chunk-wise prompt + curriculum + TIS + BSA 四件套——render 部分完全不参与，省下 diffusion 训练的巨大 cost。

Stage II：Renderer 单独训

LDM 冻住，renderer 从 X-World weights 初始化，用 ground-truth ego action 做 conditioning（不是 LDM 的 camera tokens——还没到那一步）。两件 adaption：

1. temporal alignment——X-World 是 12Hz video model，X-Foresight LDM 输出 4Hz，把 renderer 适配到 4Hz cadence；
2. rollout drift mitigation——latent sink + latent augmentation。

optimizer 是 Muon，constant lr $8 \times 10^{-5}$，128 GPUs，batch 1 per device。

Stage III：Renderer 跟 LDM 对齐

LDM 仍然冻住，renderer 切换 conditioning——从 ground-truth action 换成 LDM 输出的 camera tokens。X-World 原本的 action / dynamic-agent / static-element / text branch 全部移除，只剩 camera-token cross-attention 一路。loss 切到纯 rectified-flow velocity-matching $L_{\text{velocity}}$（Eq. 8）。Muon + one-cycle cosine schedule，FSDP shard renderer 参数 / 梯度 / optimizer state，LDM 只跑 forward。

这套 schedule 的设计逻辑：Stage I 让 LDM 在不被 diffusion 噪声梯度干扰的情况下学好 action + 结构；Stage II 让 renderer 在不被 LDM 不稳定输出干扰的情况下学好 photorealism + 4Hz cadence + drift handling；Stage III 才把两者拼到一起、关掉 train/inference gap。三阶段都没有同时训两边——这是 decoupled-then-aligned 哲学的具体落地。

七、实验数字 + 几个值得拎出来的细节

7.1 数据规模

Figure 2 + §2：280k 小时 / 34M clip / 13.8T tokens / 7 路相机 / 12Hz native 下采样到 4Hz / 86.8% urban + 13.2% highway。Figure 3 显示场景分布——open-road lane keeping 21.0%、lane changes 20.1%、constrained-lane driving 16.0%、intersections 13.1%、obstacles & cut-ins 9.9%、following/congestion 9.6%、VRU 6.2%、rare layouts 4.1%。常规场景 ~70%，剩下 30% 给 long-tail 和 interaction-heavy。

13.8T tokens 在 driving 数据领域是 industrial scale——量级跟现代 LLM 预训练（Llama 3 15T tokens）已经在同一档。这条数字本身值得记一下：driving 这个垂直领域终于开始吃 LLM 同量级数据了。

7.2 Long-horizon scaling 不是单调收益

Table 1 (H ∈ {1, 6, 21})：

• ADE / FDE / Coll 都随 H 单调下降（H=1 → H=21 的 Coll 0.263 → 0.245）
• Safety 0.9481、Compliance 0.9533 单调改善——跟"长 horizon 监督帮 safety/compliance"的设计直觉一致
• 但 Comfort 在 H=21 上 回退 到 1.0416，Efficiency 1.0094 也略涨——长 horizon 把 trajectory 推向 GT，但 GT 本身可能不够 smooth，ADE/FDE 提升不等于 driving experience 提升
• Total CCES：H=1 4.0000 → H=6 3.9396 → H=21 3.9524（H=21 回退）

paper 的 honest 评价：long horizon 不带 CL/CLEF/TIS 是不够的，3.9524 的 Total 比 H=6 的 3.9396 还差。这条对复现者有具体警示价值——只把 H 拉长不带配套训练设计，可能反而比短 horizon 更差。

7.3 Production-scale headline (Table 3, 1024 GPUs)

gain 集中在 Safety 和 Compliance，跟 chunk-wise + TIS 的设计意图严格对齐。Comfort 改善 1.0%、Efficiency 改善 0.4%——非 safety 维度的小幅顺带提升。

7.4 Renderer 6 秒 rollout 数字 (Table 5)

Renderer 6 秒 vs 1 秒的 FID 涨幅 1.33、FVD 涨幅 18.24——“limited drift across the full prediction window”。Camera Latent Decoder 的绝对数字差很多（1.51 vs 10.97），但它的角色就是诊断、不是产出——糊得诚实是设计意图。

八、横向定位与跟前作的咬合

把 X-Foresight 摆到现在这一波 world model 工作里看，能看清几条 delta。

8.1 跟 X-World：从独立 simulator 到 LDM 内化

X-World 是 standalone generative simulator——可以独立做闭环仿真、数据生成、RL 后训练 rollout。X-Foresight 把 X-World 的 DiT + 3D causal VAE 收编进 renderer，但 imagination 的源头变成了 LDM 的 latent token。世界模型的"大脑"从 X-World 主网搬到了 LDM 主干里，X-World 退到 renderer 的位置只负责 photorealism。这是个范式转移——从"世界模型当外部数据生成器"到"世界模型当 VLA 主干的 latent imagination 模块"。

paper §6 conclusion 里写的 “a foundation for several future research directions” 第一条就是 “incorporating additional supervision during closed-loop rollout might further improve long-tail performance”——LDM 已经准备好接收来自 renderer 的 closed-loop pixel 信号反向回流。这是 X-World + X-Foresight 二元结构的下一步。

8.2 跟 X-Cache：训练设计本身就 inference-friendly

X-Cache 解决的是 standalone X-World 的推理 wall-clock。X-Foresight 走了不同路径——chunk-wise 一次 forward pass 输出 1 秒 tokens (4 帧 × 7 cams)，BSA 让 attention cost 线性而非 quadratic 增长。这两条让 X-Foresight 训练设计本身就天然 inference-friendly——4Hz cadence 跟 action policy 输出对齐，每步 LDM 输出对应固定 chunk 量，renderer 一一对应渲染。X-Cache 那一套 cross-chunk residual cache 仍然可以叠到 renderer 这一侧（renderer 是 X-World fork，cache 协议复用），但 LDM 那一侧的吞吐已经被 chunk + BSA 吃掉一大半。

8.3 跟 dense-latent post：补齐 spatial × temporal 两个维度

Dense Latent Predictive Supervision 那篇抓的是在哪监督——latent 比 pixel 好，因为 capacity 不浪费、推理 cost 低、跟评测同构。X-Foresight 抓的是什么节奏监督——chunk-wise 在密集与稀疏间架桥、TIS 把预算压到 safety-critical。两者咬合得很干净：

放到一起就是密集 + 长程 + 选择性的完整监督范式——latent supervision (空间维度密集 + 容量友好) × chunk-wise organization (时间维度密集 + 长程兼顾) × TIS (按 importance 选样本)。这三件单独看都是行业里有人做过的，捏在同一个 architecture 里训出来的工业级数字是 X-Foresight 的工程成绩。

8.4 三种 world model 范式坐标里的位置

paper §1 自己摆开了三种：

• video-based generative（Sora / Genie / X-World）——pixel space 直接 model
• 3D-centric（World Labs Marble）——显式几何
• latent-based predictive（V-JEPA）——绕开 pixel space

X-Foresight 是 hybrid：latent space 里做 world knowledge（LDM 主干 + camera token + BEV），pixel space 留独立模块做 closed-loop feedback（renderer）。这跟 V-JEPA 纯 latent 路线 + 跟 Sora 纯 pixel 路线分别各取一半。两者职责严格分离——LDM 不背 pixel detail，renderer 不背 world structure。

九、几条保留的怀疑

(1) 280k 小时 / 13.8T tokens 是 industrial scale，公开复现极其困难。Paper 没给 mid-scale (1k-10k 小时档) 对照数据——这套 chunk-wise + curriculum + TIS 设计在小数据上能不能立得住，是开放问题。13.8T tokens 在驾驶领域是头部车企才能凑齐的量级，学术研究方法学层面值得参考，但具体 hyperparameter（chunk 长度 K=4、stride 1s→3s、TIS λ_x/λ_y/τ）的数值能不能直接搬到中等规模数据上没验证。

(2) Table 1 H=21 vs H=6 Total CCES 回退 (3.9524 vs 3.9396)。论文自己写得诚实——长 horizon 不带 CL/CLEF/TIS 配套时，可能比短 horizon 还差。这意味着复现者如果只把 H 拉长就期待收益，会踩坑。X-Foresight 的真正收益是 组合 出来的，不是单一组件就能复现的。

(3) Comfort 在长 horizon 上的回退。H=21 vs H=1 上 Comfort ratio 1.0416（变差）。ADE/FDE 改善 ≠ Comfort 改善——把 trajectory 推向 GT 同时也把 GT 本身的 jerkiness 学进来了。这条对评测维度选择有提示——single-metric optimization 在 driving 上很容易顾此失彼。

(4) Renderer 12 秒 + 的 drift 数字缺位。Table 5 只给到 6 秒 (FID 1.51 → 2.84)。RL post-training rollout 通常需要 10-30 秒——12 秒之后 drift 是不是仍然 bounded、还是有 inflection point 突然爆，paper 没给。Conclusion 里第一条 future work “additional supervision during closed-loop rollout” 大概率正是为了解决这条。

(5) Camera Latent Decoder 的 audit 是间接证据。renderer 跟 latent decoder 输出几何一致只能说"两个 decoder 看到的 latent 结构吻合"——latent 本身在不在 ground truth 附近、long-tail 上是不是健康，audit 路径回答不了。这是这套工具集合的边界，不是缺陷，但需要在工程使用时记住。

(6) 没有跟"world model + VLA 解耦训练"范式的直接 head-to-head。X-Foresight 默认 joint training > decoupled (world model 单独训完再当 supervisor 喂 VLA)。但 paper 没列 ablation 直接对比这两种范式——比如冻住 LDM 只用它当 future supervisor、对比联合训练，差多少。这条对比缺失，让"必须 joint" 这个论点缺了一组关键证据。

(7) action prediction 在 immediate next step、observation prediction 在 strided chunk 的非对称设计。这条设计很关键，但 paper 没给单独 ablation 验证它必要性——如果 action 也跟着 stride 输出（比如每 3 秒预测一个轨迹片段），会差多少？是个值得跟进的开放问题。

十、相关阅读

X-Foresight 跟以下文章构成互补论证链：

• X-World：production-grade 多相机驾驶世界模型——X-Foresight 的 renderer 直接 fork 自 X-World，背景必读
• X-Cache：世界模型推理加速 infra——X-Foresight 选择 chunk-wise + BSA 的 inference-friendly 训练设计，跟 X-Cache 是同一思想在不同 layer 的体现
• Dense Latent Predictive Supervision in AD VLA——X-Foresight 的 LDM camera token 是 latent supervision 在 temporal 维度的扩展，跟这篇互为 spatial × temporal 两个方向
• Driving JEPA 综述——latent predictive 范式在 AD 上的大图景，X-Foresight 是 hybrid 路线（latent for structure + pixel for closed-loop feedback）
• Wan2.2 视频世界模型边界——X-Foresight renderer 经过 X-World 又一层 fine-tune 自 Wan2.2，了解 base model prior 有帮助
• 生成式规划与非凸性——chunk-wise AR 也是绕开 mode-collapse 的一种方式，跟这篇 §2 论证对照看

References