PAWBench：视频生成模型距离“概率对齐”的世界建模还有多远？

导语

当视频生成模型越来越常被称为“世界模型”时，评估标准也需要随之升级。一个模型生成出一段画面连贯、物理上似乎说得通的视频，只能说明它找到了一个可能的未来；但真实世界中的许多过程并没有唯一答案。同样的初始状态和动作，可能对应多种都合理的结果。真正面向世界建模的系统，应当不仅生成一条合理轨迹，还要以接近真实世界的概率，重现这些可能行为。

从“像不像”到“分布对不对”

PAWBench 关注的正是这一问题。论文将这种能力称为“概率对齐”（probabilistic alignment）：模型在给定初始观察和动作后，生成结果的整体分布应与参考分布相符。

这一概念与传统视频评测存在明显区别：

• 单次合理性不够。 一条视频看起来正确，并不能证明模型掌握了所有重要分支。
• 多次采样才有意义。 需要在相同条件下反复生成，观察模型是否能覆盖不同的有效行为。
• 概率同样重要。 即使模型生成了所有类型的结果，如果各类结果出现的频率严重偏离真实情况，也不能算概率对齐。

为此，研究团队提出 PAWBench，并配套设计 PAWEval。该协议把重复生成的视频 rollout 转换为可能物理行为的经验分布，再与参考结果进行比较。相比只看某一条视频是否逼真，这种方法更接近把视频生成器当作“世界动力学的随机采样器”来检验。

评测发现了什么？

论文在 50 个场景和 11 个当前系统上开展实验。总体结果并不乐观：没有任何模型能够持续地同时完成两件事——覆盖范围足够广的有效行为，并且准确匹配参考概率。这意味着，当前视频生成模型即使在视觉质量和局部物理合理性上表现不错，也距离可靠的概率世界建模仍有明显差距。

研究还进一步考察了三类可能影响预测分布的因素：语言提示、初始噪声采样以及模型训练。这个方向的重要性在于，模型的随机性并不一定只是生成瑕疵的来源，也可能成为表达不确定性和多种未来的工具。不过，素材并未表明这些因素已经解决了概率对齐问题。

意义与影响

PAWBench 提醒行业重新审视“世界模型”这一标签。对于机器人控制、交互式模拟和需要规划的智能体而言，预测一个看似合理的单一未来远远不够；系统还必须知道哪些结果可能发生、各自有多大可能发生。否则，智能体可能在罕见但关键的分支上形成错误判断。

这项工作也为后续研究提供了清晰的评测方向：从单条样本质量转向重复实验、行为分类和分布比较。它并没有宣称现有模型已经具备完整的世界理解，而是量化地指出了一个常被忽略的缺口——“生成得像”与“按照正确概率生成”是两种不同能力。

如果世界模型要服务于真实决策，未来的训练目标、采样机制和基准测试都需要更认真地处理不确定性。PAWBench 的价值，首先就在于把这个问题明确地摆到了台面上。

来源：Hugging Face Daily Papers