假设有人主张：这个模型知道对杯子轻推与强推会产生不同后果。最直接的检查，不是先换个镜头看视频更漂亮，而是固定初始位置、物体和表面，改变动作，让模型分别预测，再与环境实际结果比较。测试应当让所声称的能力成为结果必须依赖的因素。

课堂故意设置了一个忽略动作的预测器：轻推与强推时，它给出相同终点；预先设定的环境规则却返回不同终点。在这个受控例子里，差别直接暴露了它没有在预测中体现我们正在检验的动作影响。这里不是某个真实模型的性能报告，而是帮助我们理解怎样构造有针对性的反例。

“把镜头换一下，模型仍能生成漂亮视频，能否证明它理解推力？”这可能说明某种视角变化下的画面能力，却没有隔离轻推与强推的作用。若一次同时换镜头、杯子、桌面与动作，成功或失败也更难归因。测试不是越复杂越强，而是应清楚说明什么结果会支持或推翻哪项主张。

其他主张需要其他测试。重访一个地方，检查持续状态是否保持；延长展开时间，检查误差怎样累积；更换布局，检查原有判断能否迁移。生成画面质量、动作条件下的动态预测、借助模型获得的控制收益、陌生情境中的适应性，也不能互相替代。画得好不自动证明预测准，预测准也不自动证明策略利用得好。

“这一次测对了，是否就足够采用它？”这条证据支持的是所覆盖的任务和条件。是否足够使用取决于应用要求，但不能把一次成功写成所有表面、动作与布局都成立。后续测试应针对仍未覆盖且会改变结论的部分，而不是只重复展示最容易成功的场景。

这种分清主张与证据的习惯也适用于语言。下一页回到早先的木球计数：答对一个跟踪状态的问题，究竟说明了行为成功，还是已经揭示内部机制与现实理解？