当验证过的世界模型依然失败：LLM 合成代码世界模型中的游戏充分性与预测准确性

大语言模型可合成游戏规则作为可执行代码（代码世界模型），供经典规划器搜索。通常以轨迹转移准确率作为接受标准，但本文指出这对规划而言是错误的充分性概念。研究发现，即使模型在采样和规划搜索分布上准确率极高，若遗漏关键动态规则，仍会导致系统性失败。这种“验证 - 正确”差距无法通过增加数据修复，因为 LLM 表现为规则翻译而非推断。结果表明，面向规划的世界模型应基于搜索分布或直接游戏表现来评估，而非单纯的预测准确率。