Geavanceerde AI-systemen die bedoeld zijn om de fysieke werkelijkheid te simuleren, kampen met aanzienlijke tegenstrijdigheden in hun output. Hoewel deze zogenaamde wereldmodellen in staat zijn om zowel tekst als video te genereren, blijken deze twee modaliteiten vaak niet met elkaar in overeenstemming te zijn wanneer ze complexe fysieke scenario's moeten voorspellen.
Uit onderzoek dat is gepubliceerd via arxiv.org blijkt dat een model tekstueel een correcte analyse kan geven van een gebeurtenis, terwijl de gelijktijdige visuele weergave een geheel andere uitkomst laat zien. Een voorbeeld hiervan is een situatie waarin het systeem in tekstvorm accuraat voorspelt dat een bal zal terugstuiteren, maar in de gegenereerde video geen enkele stuiter plaatsvindt. Dit wijst erop dat de visuele overtuigingskracht van een AI-model niet noodzakelijkerwijs correleert met een feitelijk begrip van de fysica.
Interne versus externe misuitlijning
De onderzoekers, waaronder Manish Bhattarai en Geigh Zollicoffer, maken in hun analyse een cruciaal onderscheid tussen twee vormen van fouten. Enerzijds is er sprake van interne misuitlijning, waarbij de verschillende outputkanalen binnen één enkel model elkaar tegenspreken. Anderzijds is er externe misuitlijning, wat betekent dat de output van het model — ongeacht of dit tekst of beeld is — afwijkt van de werkelijke natuurkundige wetten in een gecontroleerde omgeving.
Om deze fenomenen te kwantificeren, is er een specifieke pijplijn ontwikkeld die gebaseerd is op fysieke principes. Hierbij wordt getoetst aan vaste contracten die betrekking hebben op de timing, de omvang en de aard van gebeurtenissen. Volgens de details in de is onderzocht of modellen fouten kunnen corrigeren via een 'A-ladder' (gericht op interne consistentie) of een 'B-ladder' (gericht op externe getrouwheid aan de fysica).
Architecturale beperkingen
Het onderzoek richtte zich op twintig verschillende instellingen en vier diverse mechanismen. De resultaten leggen een opvallende discrepantie bloot: terwijl de taalcomponent van het model in staat was om 22 verschillende tekstuele vragen over de omgeving correct te beantwoorden, waren de bijbehorende video's vaak in strijd met deze antwoorden. Dit suggereert dat de huidige 'unified backbones', de fundamentele structuren van deze AI-architecturen, moeite hebben om drie essentiële taken gelijktijdig uit te voeren: correct redeneren, interne consistentie bewaken en externe fysieke accuraatheid garanderen.
In een breder perspectief op de ontwikkeling van dergelijke modellen, zoals ook besproken in arxiv.org, wordt duidelijk dat het genereren van esthetisch plausibele beelden niet gelijkstaat aan het begrijpen van de onderliggende mechanica. De kloof tussen wat een model 'denkt' en wat het 'toont' blijft een significante hindernis voor de betrouwbaarheid van visuele simulaties.
Het rapport, dat op 13 september 2026 is ingediend onder het nummer LA-UR-26-28102, concludeert dat de huidige generatie wereldmodellen nog onvoldoende in staat is om een coherente brug te slaan tussen tekstuele logica en visuele representatie. Voor een diepgaande analyse van de testscenario's en de gebruikte methodologie kan men de volledige documentatie raadplegen via de .