把一只球放进盒子再合上盖子，人会自然认为球还在。视频模型却可能只在球看得见时会追踪，一被挡住就当它消失。这项研究用“物体恒存”测试检查 V-JEPA 2：它是一种视频世界模型，会根据已有画面预测场景变化。研究者冻结模型，遮住小球所在区域，再比较模型的内部预测更像“球仍在”还是“球已消失”的世界。
结果很尖锐：对运动中的小球，三个规模的 V-JEPA 2 都在遮挡后 0.3 秒内失去它；但编码器——负责把画面转换成内部数字表征的部分——仍能以 1.00 的结果读出小球是否存在，并在盒子关闭后的 3.5 秒内保留其内容信息。也就是说，信息并非完全没被看见，主要是预测器没有把它继续带下去。
这也不是模型结构注定的缺陷。作者称，继续训练 1.6 万步后，运动物体可被保留约 1.1—1.6 秒；仅训练预测器 3000 步，也能让“球仍在盒中”的判断从 0.05升至1.00。值得留意的是，IntPhys-2019 基准分数虽从84.2%升至93.3%，不含容器的训练也能带来提升，说明基准高分未必等于模型真的形成了物体恒存表征。