HappyWorld-Bench：从“看起来真实”到“交互可靠”的世界模型评测

导语

世界模型的竞争，正在从“能否生成逼真的画面”转向“能否维持一个可被持续使用的世界”。一个模型即使能够生成细节丰富的视频或三维场景，也未必能在用户探索、执行动作、返回旧位置或修改规则后，继续给出符合此前状态的结果。HappyWorld-Bench正是针对这一问题提出的综合评测基准。

核心要点

• 覆盖三类世界模型。 基准分别评估视频世界模型、空间世界模型和具身世界模型，试图用同一套思路观察不同系统的可靠性。
• 从生成扩展到交互。 评测不只关注初始内容的质量，还考察模型面对探索、连续动作、回访和环境修改时，是否保持状态一致并正确响应。
• 采用分层能力框架。 研究将世界能力组织为六个层级（W1-W6），范围从生成式构建逐步延伸至统一世界建模，强调能力之间的递进关系。
• 结合自动指标与人工评价。 HappyWorld-Arena负责组织人工A/B比较，并据此形成模型级Elo评分；自动化指标则用于捕捉行为是否正确，二者互为补充。
• 测试规模覆盖多种场景。 基准包含1138个视频提示、300个空间场景和254个具身测试案例，并评估了14个视频世界模型、9个空间系统和8个具身候选系统。

评测发现了什么？

结果显示，当前世界模型距离“可靠的可交互世界”仍有明显差距。视频模型在长时间展开以及回访先前场景时，一致性会下降；它们可能在短片段中表现出较好的视觉连贯性，却难以始终维持同一世界的状态。

空间系统的能力同样并不稳定。素材显示，表现最佳的系统在物体放置准确率上为70.14%，编辑执行率为73.33%。这意味着系统能够理解一部分空间指令，但在精确摆放或按照要求修改场景时，仍会出现可观偏差。

具身模型则面临更直接的行动挑战：多步操作过程中难以保存环境状态，也难以准确适应被改变的动作条件和物理规则。对机器人或智能体而言，这类错误可能比单帧视觉瑕疵更关键，因为它会影响后续决策链条。

意义与影响

HappyWorld-Bench的价值，在于把世界模型的评价标准从“生成得像不像”推进到“世界是否能被持续相信”。它提醒研究者，视觉质量、状态一致性、动作响应和干预后的可预测性应当被分开测量，并在统一框架下结合起来。

对于模型开发者，这意味着训练目标不能只围绕画面质量展开，还需要加强长期记忆、状态跟踪、动作条件建模和规则变化下的响应能力。对于应用方，尤其是游戏生成、仿真、机器人和智能体系统，类似基准也能帮助区分“演示效果好”的模型与真正适合持续交互的模型。未来，世界模型的关键指标或许不再是一次生成有多逼真，而是用户反复探索和修改之后，它是否仍然遵守自己建立的世界。

来源：Hugging Face Daily Papers