本周 AI 项目推荐：WorldModelBench，WorldScore，WorldLens…世界模型井喷，需要新的Benchmark

作者｜ 樊雅婷
微信｜ FFF111f__

2026 年上半年，本周“世界模型（World Models）”已从学术文献中的项目需新技术术语，跃升为 AI 巨头、推荐机器人初创公司、世界自动驾驶厂商及风险投资机构的模型核心议题。视频生成模型宣称能模拟物理世界，井喷具身智能团队致力于利用世界模型训练机器人，本周自动驾驶公司则试图以生成式仿真替代部分真实路测。项目需新

然而，推荐随着概念的世界热度攀升，核心问题日益尖锐：一个能生成精美视频的模型模型，是井喷否真正理解世界？它能否遵循物理定律？能否保持 3D 几何的一致性？能否服务于自动驾驶与机器人决策？如何从“视觉逼真”跨越到“功能可用”？

因此，相较于关注 Demo 演示，本周深入考察 Benchmark 显得更为关键。项目需新以下推荐的推荐五个世界模型 Benchmark 涵盖了通用视频、统一世界生成、自动驾驶、具身智能及物理推理五大主线。它们虽非全集，但精准切中了当前世界模型发展的核心脉络。

1. WorldModelBench

一句话介绍：WorldModelBench 将视频生成模型置于世界模型的考卷中，不仅评估画面美感，更严格检验指令遵循、常识逻辑与物理规律的合规性。

概述

WorldModelBench 旨在填补通用视频模型评测中的核心空白。过往 Benchmark 多侧重于视觉质量、文本对齐或人类偏好，而“世界模型”的核心在于模型是否理解动作、场景因果及基础物理。该基准覆盖机器人、自动驾驶、工业、人类活动、游戏、动画、自然等 7 大应用域，细分至 56 个子域，基于 350 个图文提示，从指令跟随、常识、物理遵守三大维度进行评测。物理部分重点检测牛顿第一定律、形变、流体、穿透、重力等常见的“世界建模幻觉”。论文还众包了 6.7 万份人类标注，并训练了一个与人类对齐的自动评测器（Human-aligned Judge）。结果显示，Kling 等闭源模型整体表现领先，Mochi、OpenSoraPlan 等开源模型在部分维度接近闭源水平，但核心结论指出：头部模型距离构建可靠的“世界模拟器”仍有显著差距。

团队

发布团队由 UC Berkeley、UC San Diego、NVIDIA和 MIT组成。核心成员包括 UC Berkeley 计算机教授、Databricks 及 Anyscale 联合创始人 Ion Stoica，以及 Berkeley EECS 教授、Sky Computing Lab/RISE Lab 负责人 Joseph E. Gonzalez（隶属 BAIR 生态）。这一阵容确保了 WorldModelBench 不仅是视频评分集，更是系统、视觉、机器人及高效 AI 领域共同推动的世界模型评测标准。

为什么值得关注

它是“通用视频世界模型”的理想入门基准。其价值在于超越了审美与清晰度，将世界模型拆解为应用域、物理规律及细粒度错误类型，有助于判断模型是在“生成像世界的图像”，还是在“模拟一个自洽演化的世界”。

入口

• 项目主页：https://worldmodelbench-team.github.io/
• 论文：https://arxiv.org/abs/2502.20694
• 代码与评测：https://github.com/WorldModelBench-Team/WorldModelBench
• 测试数据：https://huggingface.co/WorldModelBench-Team

2. WorldScore

一句话介绍：WorldScore 将 3D、4D、图生视频及文生视频模型置于统一的“下一场景生成”框架下，重点评估模型沿相机轨迹持续生成世界的能力。

概述

WorldScore 解决了“不同世界生成技术路线难以公平比较”的痛点。针对 3D、4D 和视频模型输出形态各异的问题，WorldScore 将其拆解为基于明确相机轨迹的 Next-Scene Generation 任务。该基准包含 3000 个样例，覆盖静态/动态、室内/室外、写实/风格化等场景，并从可控性、质量、动态三个维度打分：
* 可控性：相机控制、物体控制、内容对齐。
* 质量：3D 一致性、光度一致性、风格一致性、主观质量。
* 动态：运动准确性、幅度、流畅度。

官方结果显示，Voyager、WonderWorld、LucidDreamer 等 3D/场景生成模型在静态世界生成上表现优异，而 CogVideoX-I2V 等视频模型在动态分数上突出。此外，T2V 模型通常更易受文本控制，I2V 模型画质更稳定。

团队

由 Stanford University团队发布。作者包括 Haoyi Duan、Hong-Xing Yu、Sirui Chen、Li Fei-Fei、Jiajun Wu。
* Li Fei-Fei：Stanford Sequoia 教授、Stanford HAI 创始联合主任、前 Stanford AI Lab 主任及 Google Cloud AI/ML 首席科学家，World Labs 创始人，ImageNet 关键推动者。
* Jiajun Wu：Stanford 计算机系助理教授，兼修心理学，研究计算机视觉、机器人及计算认知科学，其研究方向天然契合“世界表示、推理与生成”。
WorldScore 是 Stanford 视觉学习、3D/物理场景理解及生成模型研究脉络下的产物。

为什么值得关注

如果说 WorldModelBench 是视频模型的“体检”，WorldScore 则是“世界生成技术路线的大横评”。它将 3D、4D、视频三条技术路线纳入统一协议，对于创业公司和研究团队判断技术路线（押注视频生成、3D 生成还是混合 4D 世界生成）具有重要参考价值。

入口

• 项目主页：https://haoyi-duan.github.io/WorldScore/
• 论文：https://arxiv.org/abs/2504.00983
• 代码：https://github.com/haoyi-duan/WorldScore
• 数据集：https://huggingface.co/datasets/haoyi-duan/WorldScore

3. WorldLens

一句话介绍：WorldLens 专为自动驾驶世界模型设计，核心诉求不仅是视觉逼真，更要求几何稳定、物理合理、行为安全，并对下游任务具有实际效用。

概述

WorldLens 针对自动驾驶场景中“视觉逼真但功能失真”的问题。驾驶世界模型常生成看似合理的 4D 场景，但在重建、闭环控制及下游检测分割任务中，易暴露几何漂移、运动不稳定、碰撞及偏离道路等缺陷。WorldLens 从五个互补方向进行评测：Generation、Reconstruction、Action-Following、Downstream Task、Human Preference，并构建了 WorldLens-26K 人类偏好数据及 WorldLens-Agent 视觉语言评审器。

结论指出：没有单一模型能在所有维度占据统治地位。纹理真实的模型可能在物理和几何上不稳定，几何稳定的模型可能在行为细节上不足。实验中，DiST-4D 在新视角质量和部分下游任务上表现强劲，OpenDWM 等在几何稳定性上占优，DriveDreamer-2 也在任务相关指标中进入强势梯队。

团队

由 WorldBench Team发布，联合了 NUS、University of Macau、USTC、Zhejiang University、NTU、Horizon Robotics、HUST、TUM、Fudan University、Shanghai AI Lab、ASTAR、CNRS 等机构。
* Lingdong Kong：NUS 计算机系博士生、项目牵头人，长期维护自动驾驶及 3D/4D 世界建模项目。
* Ziwei Liu：NTU MMLab 副教授/Provost's Chair in AI，研究涵盖计算机视觉、机器学习及计算机图形学。
* Liang Pan：Shanghai AI Lab 研究科学家，深耕 3D 视觉、世界模型及具身智能。
* Wei Tsang Ooi：* NUS 多媒体系统方向教授。
该组合使 WorldLens 站在自动驾驶、4D 场景、3D 视觉及人类偏好评测的交叉点上。

为什么值得关注

自动驾驶是世界模型落地最快但也最不能仅看 Demo 的领域。WorldLens 的价值在于将“生成世界”拉回至安全、闭环和下游任务层面：若模型生成的视频导致感知模型退化或让规划器在模拟世界中撞车，则不能视为可靠的驾驶世界模型。

入口

• 项目主页：https://worldbench.github.io/worldlens
• 论文：https://arxiv.org/abs/2512.10958
• 代码：https://github.com/worldbench/WorldLens
• Leaderboard：https://huggingface.co/spaces/worldbench/worldlens

4. WorldArena 2.0

一句话介绍：WorldArena 评估具身世界模型是否真正服务于机器人任务，而非仅仅生成一段视觉效果良好的操作视频。

概述

WorldArena 解决具身智能中“感知质量与功能价值脱节”的问题。许多具身世界模型能生成高质量视频，但机器人真正关心的是：能否合成有用训练数据？能否作为策略评估器（Policy Evaluator）？能否辅助智能体进行动作规划（Action Planning）？
WorldArena 首先使用 16 个指标评测视频感知质量（覆盖视觉质量、运动质量、内容一致性、物理遵守、3D 准确性、可控性 6 个子维度），随后评估三类具身功能：Data Engine、Policy Evaluator、Action Planner，并提出 EWMScore作为统一度量。

WorldArena 2.0 的扩展：
1. 模态扩展：从 Vision-only 扩展至 Visuo-tactile，要求模型处理接触、力、滑动及材料交互。
2. 功能扩展：从离线评估扩展至 Online RL，将世界模型作为可交互环境以训练和改进策略。
3. 平台扩展：从纯模拟器扩展至 RoboTwin 2.0、LIBERO 及 AgileX split-type ALOHA 真实机器人。
结论贴近产业现实：模拟环境中的高分不等于真实部署能力，Sim-to-Real Gap 仍是具身世界模型必须跨越的硬门槛。

团队

多机构联合发布，包括 Tsinghua University、Shanghai Jiao Tong University、The University of Hong Kong、Princeton University、Chinese Academy of Sciences、University of Science and Technology of China、Peking University、National University of Singapore。
* Yong Li：清华 FIB Lab 重要负责人，深耕 AI、数据挖掘及城市智能。
* Jun Zhu：清华 Bosch AI Professor、IEEE/AAAI Fellow，研究机器学习、深度生成模型、强化学习及对抗鲁棒性。
* Wenwu Zhu：清华计算机系教授，曾任 Microsoft Research Asia、Intel Research China 重要角色。
* Tat-Seng Chua：NUS School of Computing KITHCT Chair Professor，曾任 NUS Computing 创院院长。
该阵容构建了具身世界模型领域“学术-机器人-多媒体-系统”的联合评测体系。

为什么值得关注

它将世界模型从“是否会生成未来帧”推进到“能否让机器人变强”。真正的机器人世界模型不仅是画面模拟，更是数据引擎、环境代理和规划模块。WorldArena 是目前少数将感知（Perception）与功能效用（Functional Utility）置于同一框架严肃评估的 Benchmark。

入口

• 项目主页：https://world-arena.ai/
• 论文：https://arxiv.org/abs/2602.08971
• 代码：https://github.com/tsinghua-fib-lab/WorldArena
• Leaderboard：https://huggingface.co/spaces/WorldArena/WorldArena

5. Physics-IQ / Physics-IQ Verified

一句话介绍：Physics-IQ 利用真实物理实验视频考核视频生成模型，直击核心问题：模型是在理解物理，还是仅在预测像素？

概述

Physics-IQ 解决“视觉真实不等于物理理解”的问题。它要求模型根据真实世界物理视频的前半段预测后续演化，覆盖固体力学、流体动力学、光学、热力学、磁学五类物理现象。评测不关注视频是否“看起来高级”，而是考察模型预测的物理变化在空间、时间和运动区域上是否与真实结果吻合。

论文评估了 Sora、Runway、Pika、Lumiere、Stable Video Diffusion、VideoPoet 等模型，结论直接：当前视频生成模型的物理理解仍然有限，且与视觉真实感相关性不强；多帧条件通常优于单帧条件，流体现象相对容易，固体力学则较难。2026 年 6 月推出的 Physics-IQ Verified对原始样本和 Prompt 进行了系统审计与修订，建议在实际评测中优先使用 Verified 版本以确保稳定性。

团队

由 Saman Motamed、Laura Culp、Kevin Swersky、Priyank Jaini、Robert Geirhos发布。
* Saman Motamed：INSAIT ELLIS PhD 学生，研究计算机视觉、生成模型及直觉物理（Intuitive Physics），相关工作在 Google DeepMind 期间完成。
* Robert Geirhos：Google DeepMind 高级研究科学家，长期研究视觉鲁棒性、可解释性及人机视觉比较，代表作涉及深度网络纹理偏差/捷径学习方向。
* Priyank Jaini & Kevin Swersky：均来自 Google DeepMind 生成模型与机器学习研究线。
该团队的优势在于将真实物理实验、视觉心理学式的问题意识与前沿视频模型研究相结合。

为什么值得关注

物理是世界模型叙事中难以绕开的底层能力。模型可以生成电影感的水花、爆炸和碰撞，但若无法预测真实物体的后续运动，便难以成为可靠的世界模型。Physics-IQ 的价值在于其直接性：少问“像不像”，多问“对不对”。

入口

• 项目主页：https://physics-iq.github.io/
• 论文：https://arxiv.org/abs/2501.09038
• 代码：https://github.com/google-deepmind/physics-iq-benchmark
• Physics-IQ Verified：https://arxiv.org/abs/2606.18943

总结

世界模型目前处于概念快速升温、技术路线分叉、评测体系追赶产业叙事的混乱期。正因如此，Benchmark 显得尤为重要：它们是这场定义争夺中，少数能将口号转化为具体测试题的工具。

• WorldModelBench考察视频模型是否具备常识与物理约束；
• WorldScore衡量不同世界生成路线的可比性；
• WorldLens评估驾驶世界模型对安全及下游任务的真实效用；
• WorldArena审视具身世界模型对机器人的实际服务能力；
• Physics-IQ则将边界压缩至最底层，追问模型是理解物理还是仅在做像素补全。

随着世界模型的发展，评测的重要性日益凸显。借鉴语言模型的经验，早日确立核心评测方向，将成为未来竞争的关键胜负手。

点个 “爱心”，再走吧

本文地址：https://www.xyaji.com/html/352c89998748.html