教视频模型学会物体恒存

视频生成模型之前靠规模'涌现'物理直觉，效果不稳定且不可控。WROP的关键在于把认知科学的实验范式变成可规模化的训练数据——每个任务固定认知结构、随机化视觉干扰变量，这实际上是在做'物理概念的解耦表示学习'。

目前数据集和Blender生成器已开源，但150个任务覆盖的只是皮亚杰认知发展理论的早期阶段。如果这套方法有效，下一步可以扩展到因果推理、数量守恒等更复杂的认知先验，这对机器人抓取、自动驾驶的corner case处理有直接价值。做具身智能的团队可以优先关注其训练代码，而非论文本身。