Target: PAIWorld，一个 DiT flow-matching 骨干上的 3D 一致多视角机器人操作世界基础模型 [2606.18375]。本篇把 PAIWorld 放到 8 个相关 entity 的簇里做跨论文分析。 需先声明：这 8 个 peer 不是同一细分方向——它们与 PAIWorld 在不同技术轴上相交 （世界模型范式、RoPE/位置几何、flow-matching 骨干、注意力机制脆弱性）， 因此本篇按"相交轴"而非"同赛道"组织。
按与 PAIWorld 的相交轴分三簇：
（RSSM + 想象空间 actor-critic）[2301.04104]，PAIWorld 属 large video-generator WFM 谱系
（DiT + flow matching）[2606.18375]。两者共享"世界模型作为可想象模拟器"的核心目标，
但对"模拟器"的实现范式截然不同：DreamerV3 在抽象离散 latent 上想象、追求跨域鲁棒的固定超参
[2301.04104]；PAIWorld 在像素级多视角视频上生成、追求跨视角 3D 几何一致
[2606.18375]。这是本簇最有价值的对照。
解决音视频时间轴对齐 [2503.20215]。这与 PAIWorld 的 Geo-RoPE **把 RoPE 拆成 ray/pose 两个
子空间注入相机几何 [2606.18375] 是同一类"结构化 RoPE"设计动机**——都在
RoPE 的维度切分里编码一个额外的物理坐标（Omni 是时间，PAIWorld 是 3D 视角几何）。
Q/K 低频维度诱导 massive values，专司上下文理解 [2502.01563]。它是 PAIWorld
Geo-RoPE 的机理背景：解释了"往 RoPE 维度里塞语义/几何信息"为何在原理上可行——低频维度本就被模型
repurpose 为位置无关信息载体 [2502.01563]。
位置编码 [2502.05167]。对 PAIWorld 依赖 cross-view attention 传播几何约束
[2606.18375] 是一条潜在警示：跨视角注意力在稀疏宽基线相机下是否也会"稀释"。
CogVideoX/HunyuanVideo 等视频 DiT [2410.02367] [2505.11594]。
与 PAIWorld 的相关性是部署侧：PAIWorld 的 ~14B DiT 骨干（200×H200、7 天训练）
[2606.18375] 若要落地推理，正是这类 attention 量化的目标客户。
[2507.20534]。与 PAIWorld 相关性是大模型训练稳定性——PAIWorld 用 AdaLN-Zero
gate=0 保证插件式接入不破坏 14B 预训练权重 [2606.18375]，二者都在处理
"如何不让新组件炸掉大规模训练"，但手段与层级完全不同（K2 是优化器级 logit 约束，PAIWorld 是初始化技巧）。
仅在"大规模多 GPU 训练系统"这一最外层相关，无方法级交集；本篇仅作系统背景登记，不深入对比。
PAIWorld 的真正 delta（相对全簇）：不是提出新的世界模型范式、也不是新的 RoPE、也不是新的
表征对齐，而是把三者耦合到"多视角 3D 一致性"这一具体约束上——即
**relational 几何监督（Latent 3D-REPA 蒸馏相似度矩阵）专门施加在具备几何位置编码（Geo-RoPE）的
跨视角注意力通道上** [2606.18375]。消融中 2.64 的联合增益超过 0.93+0.72=1.65
的可加期望，是这一耦合的唯一实证印记 [2606.18375]。
逐 peer 的 delta：
| 维度 | Peer 立场 | PAIWorld 的 delta |
|---|---|---|
| 世界模型实现 | DreamerV3：抽象 latent 想象 + 固定超参跨域 [2301.04104] | 像素级多视角视频生成 + 显式几何约束；放弃跨域鲁棒性、换取几何保真 |
| 世界模型"鲁棒性"来源 | DreamerV3：量纲无关变换（symlog/twohot/free-bits/百分位归一）[2301.04104] | 几何先验（DA3 蒸馏）+ 显式通信路径；鲁棒性来自几何监督而非尺度不变性 |
| RoPE 结构化 | Qwen2.5-Omni：RoPE 切 t/h/w 三段编码时间 [2503.20215] | RoPE 切 ray/pose 两段编码 3D 相机几何；从"时间轴对齐"推广到"3D 视角对齐" |
| RoPE 语义承载机理 | 2502.01563：RoPE 低频维度被动积累语义 [2502.01563] | Geo-RoPE 主动注入几何——把 2502.01563 的观测现象变成工程手段 |
| 表征对齐 (REPA) | PAIWorld 之前的 REPA：对齐绝对特征向量（L1 §2.3 记载）[2606.18375] | 蒸馏相似度矩阵（相对结构）而非绝对向量，避免强行匹配 DA3 坐标系 [2606.18375] |
| 大训练稳定性 | Kimi K2：优化器级 QK-Clip [2507.20534] | 初始化级 AdaLN-Zero gate=0 [2606.18375]；同问题不同层级 |
潜在矛盾（跨 peer）：
PAIWorld 主张"追求几何一致的同时感知质量指标同步领先，几何约束未牺牲画质"
[2606.18375]。但 SageAttention3 的实测显示，在视频 DiT（HunyuanVideo）上引入
低比特近似会带来 non-trivial 的 VQA-t（−3.45）与 FScore（−0.247）退化，"plug-and-play 无损"有
model-dependent caveat [2505.11594]。
矛盾根源：两者度量的"无损"对象不同——PAIWorld 说的是加入几何约束相对无约束基线不掉画质
（训练期得到的正收益），SageAttention3 说的是推理量化近似相对全精度会掉质（部署期引入的负扰动）。
二者在各自实验范围内都成立，但合起来给出一个 PAIWorld 未回答的问题：它宣称的画质优势在被量化部署后
是否还在？PAIWorld 全程用全精度评测，未报告部署后指标 [2606.18375]，这是 delta 里的空白。
攻击 1：超可加性 2.64 > 1.65 能否支撑"必要且充分"？
PAIWorld 把"通信路径与几何目标必须耦合"完全押在一张四行消融表的一个数字上
[2606.18375]。可攻击处：(a) 单一随机种子、单一 $\lambda=0.5$、单一锚点数 $K$，
未做敏感性扫描 [2606.18375]；(b) 加性期望 1.65 假设两个组件的收益线性可加，
这本身是无依据的 null 模型——超线性也可能来自训练动力学（两个 loss 项互相正则化）而非"几何沿通路传播"
的机制性因果。对照 DreamerV3 的消融是 14 任务级、逐项验证每个 trick 在某子集上承重
[2301.04104]；PAIWorld 的证据强度明显更薄。**这是 L1 里 super-additive gap
被列为"开放性惊讶点"的同一处，也是 evidence chain 上最脆的一环。**
攻击 2：Geo-RoPE 的机理正当性借用了一个"被动"现象。
2502.01563 证明的是 RoPE 低频维度在无监督训练中自发承载语义 [2502.01563]。
PAIWorld 反过来人为往 RoPE 里塞 ray/pose 几何 [2606.18375]，但没有证据表明
注意力会像对待"自发涌现的低频语义"一样有效利用"外部注入的几何"。2502.01563 的量化实验还表明，
破坏这些维度会灾难性损害上下文理解 [2502.01563]——反过来说，往这些维度硬塞
几何编码是否会干扰模型原有的语义通道？PAIWorld 未做这一交互分析。
攻击 3：跨视角注意力可能面临 NoLiMa 式稀释。
NoLiMa 证明注意力在 token 数增多、缺乏表面匹配线索时会稀释、检索能力崩溃
[2502.05167]。PAIWorld 的 cross-view attention 在稀疏宽基线相机（L1 §2.2 明确列为
robotics 特有难点）[2606.18375] 下，跨视角对应关系正是"缺乏表面匹配、
需潜在几何推理"的场景。PAIWorld 靠 Geo-RoPE 提供几何线索缓解，但未在视角数增多 / 基线增宽的
scaling 维度上测试注意力是否稀释——这是一个 NoLiMa 直接预测但 PAIWorld 未覆盖的失效模式。
攻击 4：AgiBot-Challenge2026 只排第 2，EWMScore 与冠军差距在噪声内。
PAIWorld 0.8245 vs 冠军 0.829，差 0.0045 [2606.18375]。论文用"Scene Consistency
0.9041 最佳"来救场，但那只是单项。"3D 一致性"卖点在综合分上并未转化为榜首，说明几何一致性对
最终 EWMScore 的边际贡献有限——与 WorldArena 上 +2.41 的领先形成内部张力（同一方法在两个榜上
说服力不一致）。
PAIWorld 处在 video-generator WFM 谱系的"几何专精化"节点：
（多视角 3D 一致）。它不是范式转移，而是在已确立的 DiT flow-matching WFM 范式内做约束专精。
相比 DreamerV3 追求"一套超参统治 150+ 任务"的通用性范式 [2301.04104]，PAIWorld 走的是
相反方向——为单一约束（3D 一致）堆专用机制 + 大算力（200×H200、2.5M clips）
[2606.18375]。这是"通才 vs 专才"的范式分岔。
"把物理坐标塞进 RoPE 维度切分"的设计家族。这个家族正在成为多模态/具身领域的通用模式
（时间、3D 几何都可以这样编码），PAIWorld 是其在 3D 视觉几何上的实例。
[2606.18375]，非社区采用证据。实现未公开、无仓库链接
[2606.18375]，这与簇内开源标杆形成鲜明对比：SageAttention
(thu-ml/SageAttention)、2502.01563 (Rope_with_LLM)、Qwen2.5-Omni（Apache 2.0 权重 + transformers 集成）
都可复现 [2410.02367] [2502.01563]
[2503.20215]。PAIWorld 的生态位目前是"榜单领先但不可复现"，
采用前景受限于是否开源。
野心大于当前证据。
DreamerV3 用量纲无关变换换来固定超参跨域 [2301.04104]。未探索：能否把 DreamerV3
的 symlog/百分位归一化思想引入多视角 WFM，使 Geo-RoPE + REPA 的耦合在不同相机 rig / 不同场景尺度
下无需重调 $\lambda$、$K$——即"几何专精"与"尺度鲁棒"的合流。
[2502.01563]，而 Geo-RoPE 又主动注入几何，未探索：几何应注入哪些频率维度？
把 ray/pose 编码有意识地放到高频（不与语义 massive-value 维度冲突）、把语义留给低频，可能既保留
上下文能力又强化几何——一个"频率分工"的自适应 RoPE 设计。
[2505.11594]，但几何一致性对量化误差的敏感度未知。未探索：在训练期就用
SageBwd 式低比特 attention [2505.11594]，让模型学到量化鲁棒的几何表征，
而非训练全精度、部署才量化后掉几何一致性。
[2502.05167]，构造"固定视角相对几何、只增视角数/基线宽度"的受控实验，
诊断 cross-view attention 是否稀释、Geo-RoPE 是否真能抵消稀释——把 NoLiMa 的方法论移植到多视角几何域。
[2606.18375]，K2 用 MuonClip 保 logit 稳定 [2507.20534]。
未探索：多视角 attention 引入的新 logit 分布是否也需要 QK-Clip 式约束，尤其在几何注入放大了
Q/K 数值范围时——把 K2 的诊断-约束框架用到几何 attention 上。