作者｜樊雅婷微信｜ FFF111f__
2026 年上半年，，“天下模子”已经从论文里的手艺词，，酿成了 AI 公司、机械人公司、自动驾驶公司和 VC 讨论里绕不开的要害词。。。。 。 。视频天生模子说自己能模拟物理天下，，具身智能团队说自己要用天下模子训练机械人，，自动驾驶公司说天生式仿真可以替换一部分真实路测。。。。 。 。
但问题也随之变得尖锐：一个模子会天生漂亮视频，，就即是它明确天下了吗？？？？它能不可遵守物理纪律？？？？能不可坚持 3D 几何一致？？？？能不可服务自动驾驶和机械人决议？？？？能不可从“看起来像真的”，，走到“用起来真的有用”？？？？
以是，，比起只看 demo，，更应该看 benchmark。。。。 。 。下面这五个天下模子benchmark包括通用视频天下模子、统一天下天生、自动驾驶、具身智能、物理推理。。。。 。 。它们不是所有 benchmark 的全集，，但基本笼罩了当下天下模子最要害的五条主线。。。。 。 。
1. WorldModelBench
一句话先容： WorldModelBench 把视频天生模子看成天下模子来考，，不但问画面好欠悦目，，还问指令、知识和物理是否经得起检查。。。。 。 。
WorldModelBench 解决的是通用视频模子评测里最焦点的缺口：已往许多 benchmark 偏向视觉质量、文本对齐某人类偏好，，但“天下模子”真正要回覆的是，，模子是否明确行动、场景因果和基础物理。。。。 。 。它笼罩机械人、自动驾驶、工业、人类活动、游戏、动画、自然等 7 个应用域，，细分到 56 个子域，，使用 350 个图文提醒，，并用指令追随、知识、物理遵守三大维度评测。。。。 。 。物理部分重点看牛顿第一定律、形变、流体、穿透、重力等常见“天下建模；；；；；镁酢。。。。 。 。论文还众包了 6.7 万个人类标注，，并训练了一个 human-aligned judge 来自动评测。。。。 。 。在效果上，，Kling 等闭源模子整体靠前，，Mochi、OpenSoraPlan 等开源模子在部分维度靠近闭源模子，，但论文的焦点结论不是“谁已经解决了天下模子”，，而是头部模子仍然离可靠天下模拟器很远。。。。 。 。
宣布团队来自 UC Berkeley、UC San Diego、NVIDIA 和 MIT ，，Ion Stoica 是 UC Berkeley 盘算机教授，，也是 Databricks、Anyscale 等公司的配合首创人；；；；；；Joseph E. Gonzalez 是 Berkeley EECS 教授、Sky Computing Lab / RISE Lab 配合认真人，，并属于 BAIR 生态。。。。 。 。这使 WorldModelBench 不但是一个视频评分集，，而是系统、视觉、机械人和高效 AI 团队配合推动的天下模子评测。。。。 。 。
为什么值得关注
它是最适相助为“通用视频天下模子入门基准”的 benchmark。。。。 。 。由于它没有只停留在审美和清晰度，，而是把天下模子拆成应用域、物理纪律和细粒度过失类型，，特殊适合判断一个视频模子究竟是在“天生像天下的图像”，，照旧在“模拟一个能自洽演化的天下”。。。。 。 。
项目：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
一句话先容： WorldScore 把 3D、4D、图生视频、文生视频模子放到统一个“下一场景天生”框架里评测，，重点看模子能不可按相机轨迹一连天生天下。。。。 。 。
概述： WorldScore 解决的是“差别天下天生蹊径无法公正较量”的问题。。。。 。 。3D 模子、4D 模子和视频模子输出形态差别，，已往很难在统一张内外较量。。。。 。 。WorldScore 将天下天生拆成一系列基于明确相机轨迹的 next-scene generation 使命，，用 3000 个样例笼罩静态/动态、室内/室外、写实/气概化等场景，，并从可控性、质量、动态三方面打分。。。。 。 。？？？煽匦钥聪嗷刂啤⑽锾蹇刂坪湍谌荻云耄柿靠 3D 一致性、光度一致性、气概一致性和主观质量，，动态看运动准确性、幅度和流通度。。。。 。 。官方效果显示，，Voyager、WonderWorld、LucidDreamer 等 3D/场景天生模子在静态天下天生上很强，，CogVideoX-I2V 等视频模子在动态分数上体现突出；；；；；；同时，，T2V 模子通常更容易被文本控制，，I2V 模子往往画质更稳。。。。 。 。
WorldScore 是 Stanford University 团队宣布，，论文作者为 Haoyi Duan、Hong-Xing Yu、Sirui Chen、Li Fei-Fei、Jiajun Wu。。。。 。 。Li Fei-Fei 是 Stanford 盘算机系 Sequoia Professor、Stanford HAI 首创联合主任，，曾任 Stanford AI Lab 主任和 Google Cloud AI/ML 首席科学家，，开办World Labs，，也是 ImageNet 的要害推动者；；；；；；Jiajun Wu 是 Stanford 盘算机系助理教授，，同时兼任心理学偏向，，研究盘算机视觉、机械人和盘算认知科学，，所在偏向自然贴近“天下怎样被体现、推理和天生”。。。。 。 。因此，，WorldScore 更像是 Stanford 视觉学习、3D/物理场景明确和天生模子研究脉络下的一套天下天生怀抱。。。。 。 。
为什么值得关注：
若是说 WorldModelBench 更像“视频模子是不是天下模子”的体检，，WorldScore 则更像“天下天生蹊径大横评”。。。。 。 。它把 3D、4D、视频三条手艺蹊径放进统一协议，，对创业公司和研究团队判断手艺蹊径很有价值：究竟该押视频天生、3D 天生，，照旧更混淆的 4D 天下天生。。。。 。 。
项目页：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
一句话先容： WorldLens 专门评估自动驾驶天下模子，，焦点问题是：天生的驾驶天下不但要像，，还要几何稳固、物理合理、行为清静、对下游使命有用。。。。 。 。
WorldLens 解决的是自动驾驶场景里“视觉逼真但功效失真”的问题。。。。 。 。驾驶天下模子很容易天生看起来合理的 4D 场景，，但一旦切到重修、闭环控制、下游检测支解，，就会袒露几何漂移、运动不稳固、碰撞、偏离蹊径等问题。。。。 。 。WorldLens 用五个互补偏向评测：Generation、Reconstruction、Action-Following、Downstream Task、Human Preference，，并进一步构建 WorldLens-26K 人类偏好数据和 WorldLens-Agent 视觉语言评审器。。。。 。 。项目结论很是现实：没有简单模子能在所有维度统治榜单，，纹理真实的模子可能物理和几何不稳，，几何稳固的模子又可能行为细节缺乏。。。。 。 。论文实验中，，DiST-4D 在新视角质量和部分下游使命上体现强，，OpenDWM 等模子在几何稳固性上有优势，，DriveDreamer-2 也在使命相关指标中进入强势梯队。。。。 。 。
WorldLens 由 WorldBench Team 宣布，，NUS、University of Macau、USTC、Zhejiang University、NTU、Horizon Robotics、HUST、TUM、Fudan University、Shanghai AI Lab、A*STAR、CNRS 等。。。。 。 。焦点作者包括 Ao Liang、Lingdong Kong、Tianyi Yan、Hongsi Liu、Ziqi Huang等。。。。 。 。Lingdong Kong 是 NUS 盘算机系博士生、项目牵头人，，恒久维护自动驾驶和 3D/4D 天下建模相关项目；；；；；；Ziwei Liu 是 NTU MMLab 的 Associate Professor / Provost's Chair in AI，，研究笼罩盘算机视觉、机械学习和盘算机图形；；；；；；Liang Pan 是 Shanghai AI Lab 研究科学家，，恒久做 3D 视觉、world models 和 embodied AI；；；；；；Wei Tsang Ooi 是 NUS 多媒系一切偏向教授。。。。 。 。这个组合让 WorldLens 同时站在自动驾驶、4D 场景、3D 视觉和人类偏好评测的交织点上。。。。 。 。
为什么值得关注
自动驾驶是天下模子最容易落地、也最不可只看 demo 的领域。。。。 。 。WorldLens 的价值在于把“天生天下”拉回到了清静、闭环和下游使命上：一个模子天生的视频再漂亮，，若是会让感知模子退化，，或者让 planner 在模拟天下里撞车，，它就不可算可靠的驾驶天下模子。。。。 。 。
项目页：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
一句话先容： WorldArena 评估具身天下模子是否真的能服务机械人使命，，而不但仅是天生一段看起来不错的操作视频。。。。 。 。
WorldArena 解决的是具身智能里“感知质量和功效价值脱节”的问题。。。。 。 。许多 embodied world model 可以天生高质量视频，，但机械人真正体贴的是：它能不可合成有用训练数据？？？？能不可作为 policy evaluator 评预战略？？？？能不可资助 agent 做 action planning？？？？WorldArena 先用 16 个指标评测视频感知质量，，笼罩视觉质量、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，，再评估三类具身功效：Data Engine、Policy Evaluator、Action Planner，，并提出 EWMScore 做统一怀抱。。。。 。 。
WorldArena 2.0 在这个基础上继续扩展：第一，，模态从 vision-only 扩展到 visuo-tactile，，让模子必需处理接触、力、滑动和质料交互；；；；；；第二，，功效从离线评估扩展到 online RL，，把天下模子看成可交互情形来训练和刷新战略；；；；；；第三，，平台从 simulator-only 扩展到 RoboTwin 2.0、LIBERO 和 AgileX split-type ALOHA 真实机械人。。。。 。 。它的结论也更贴近工业问题：模拟情形里的好效果不即是真实安排能力，，sim-to-real gap 仍然是具身天下模子必需跨过的硬门槛。。。。 。 。
多机构联合联合宣布：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。。。。 。 。作者包括 Yu Shang、Zhuohang Li、Yiding Ma、Weikang Su、Xin Jin等。。。。 。 。Yong Li 是清华 FIB Lab 主要认真人，，恒久做 AI、数据挖掘和都会智能；；；；；；Jun Zhu 是清华 Bosch AI Professor、IEEE/AAAI Fellow，，研究机械学习、深度天生模子、强化学习和反抗鲁棒性；；；；；；Wenwu Zhu 是清华盘算机系教授，，曾在 Microsoft Research Asia、Intel Research China 等工业研究机构担当主要角色；；；；；；Tat-Seng Chua 是 NUS School of Computing 的 KITHCT Chair Professor，，也曾任 NUS Computing 创院院长。。。。 。 。这个阵容让 WorldArena 更像具身天下模子领域的“学术-机械人-多媒体-系统”联合评测。。。。 。 。
为什么值得关注
它把天下模子从“会不会天生未来帧”推进到“能不可让机械人变强”。。。。 。 。这对具身智能很是要害，，由于真正的机械人天下模子不但是模拟画面，，而是要成为数据引擎、情形署理和妄想模？？？。。。。 。 。WorldArena 是现在少数把 perception 和 functional utility 放在统一个框架里严肃评估的 benchmark。。。。 。 。
项目页：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
一句话先容： Physics-IQ 用真实物理实验视频考视频天生模子，，直接追问一个基础问题：模子是在明确物理，，照旧只是在展望像素？？？？
Physics-IQ 解决的是“视觉真实不即是物理明确”的问题。。。。 。 。它要求模子凭证真实天下物理视频的前半段展望后续演化，，笼罩固体力学、流体动力学、光学、热力学、磁学五类物理征象。。。。 。 。评测不看视频是否“看起来高级”，，而是看模子展望的物理转变在空间、时间和运动区域上是否靠近真实效果。。。。 。 。论文评估了 Sora、Runway、Pika、Lumiere、Stable Video Diffusion、VideoPoet 等模子，，结论相当直接：目今视频天生模子的物理明确仍然有限，，并且与视觉真实感并不强相关；；；；；；多帧条件通常比单帧条件更有资助，，流体征象相对更容易，，固体力学更难。。。。 。 。2026 年 6 月又泛起了 Physics-IQ Verified，，对原始样本和 prompt 做了系统审计和修订；；；；；；若是是现实跑评测，，优先关注 Verified 版本会更稳。。。。 。 。
Physics-IQ 由 Saman Motamed、Laura Culp、Kevin Swersky、Priyank Jaini、Robert Geirhos 宣布，，论文首页标注 Saman Motamed 来自 INSAIT / Sofia University，，相关事情在 Google DeepMind 时代完成，，其余作者来自 Google DeepMind。。。。 。 。INSAIT 官方报道也明确称该 benchmark 由 INSAIT 与 Google DeepMind 联合开发，，并在 ICCV 2025 引发关注。。。。 。 。Saman Motamed 是 INSAIT 的 ELLIS PhD student，，研究盘算机视觉、天生模子和 intuitive physics；；；；；；Robert Geirhos 是 Google DeepMind Staff Research Scientist，，恒久做视觉鲁棒性、可诠释性和人机视觉较量，，代表事情包括深度网络 texture bias / shortcut learning 偏向；；；；；；Priyank Jaini 和 Kevin Swersky 也都来自 Google DeepMind 的天生模子与机械学习研究线。。。。 。 。这个团队的优势是把真实物理实验、视觉心理学式问题意识和前沿视频模子研究放到了一起。。。。 。 。
为什么值得关注
物理是天下模子叙事里最难绕开的底层能力。。。。 。 。一个模子可以天生影戏感水花、爆炸和碰撞，，但若是它无法展望真实物体会怎样继续运动，，它就很难成为可靠的天下模子。。。。 。 。Physics-IQ 的价值在于它足够直接：少讲“像不像”，，多问“对差池”。。。。 。 。
项目页：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
天下模子现在处在一个看法快速升温、手艺蹊径分叉、评测系统追着工业叙事补课的杂乱期。。。。 。 。也正由于杂乱，，benchmark 才值得看：它们是这场界说争取里，，少数能把口号落到测试题上的工具。。。。 。 。
Benchmark 可以给一个还很松散的看法画界线。。。。 。 。WorldModelBench 考察视频模子有没有知识和物理约束；；；；；；WorldScore 权衡差别天下天生蹊径能不可统一较量；；；；；；WorldLens 可以用来评估驾驶天下是否真的对清静和下游使命有用；；；；；；WorldArena 看的是具身天下模子是否真的能服务机械人；；；；；；Physics-IQ 则把界线压到最底层，，问模子究竟是在明确物理，，照旧只是在补像素。。。。 。 。
天下模子生长到今天，，评测的主要性正在日益凸显，，语言模子已经更早证实晰这件事，，借鉴语言模子的履历，，早日确定焦点评测偏向，，也将成为未来竞争的要害。。。。 。 。
点个“爱心”，，再走 吧
