WorldExam：从“好看视频”到“会反应的世界模型”

导语

随着可控视频生成模型被越来越多地包装为“世界模型”，评测标准也需要随之升级。只看视频是否清晰、主体是否移动、指令是否被执行，已经不足以说明模型真正理解了一个可交互世界。论文 WorldExam: Benchmarking World Models from Apparent Appearance to Inherent Reactivity 提出的核心问题是：模型能否根据场景本身推断接下来应该发生什么，并生成合理后果？

换句话说，世界模型不应只是“按提示词拍一段视频”，还应具备一定的内在反应性：当环境、物体、角色或目标发生变化时，世界应当以符合常识和空间逻辑的方式回应。

核心要点

• 评测目标从表面外观走向内在反应：现有视频生成评测往往强调画质、稳定性、动作是否出现，以及显式指令是否完成。WorldExam 则把重点推进到“场景条件下的合理反应”，例如模型是否能生成输入中没有逐字说明、但由场景状态自然推出的结果。
• 四层级诊断框架：WorldExam 将能力拆为四个层级：Visual Quality（视觉质量）、Control Adherence（控制遵循）、Spatial Consistency（空间一致性）和 World Reactivity（世界反应性）。这种设计有助于区分模型到底是画得好、听得懂，还是确实维持了一个连贯可反应的世界。
• 覆盖多种控制范式：该基准包含 1,474 个测试案例，横跨八个专门任务，并支持相机驱动、动作驱动和语言驱动三类模型接口的统一评测。这一点很重要，因为不同视频模型的输入方式差异很大，若缺少统一协议，很难横向比较。
• 20 个模型暴露出能力分裂：评测显示，相机驱动模型在镜头控制上更有优势，但接口通常不支持动态交互；动作驱动模型对主体控制更精确，却常常让环境保持“无反应”；语言驱动模型在交互场景上表现更好，但面对复杂控制时遵循度不足。

意义与影响

WorldExam 的价值在于把“世界模型”这个概念拉回可检验的问题上。过去，一个视频模型如果能生成高质量画面、角色动作也大致符合提示，就容易被认为具备某种世界理解能力。但这篇工作提醒我们：视觉真实感和指令完成度并不等同于世界反应性。

对于研究者而言，这类基准可以帮助定位模型短板：是控制接口不够表达交互，还是模型没有学到环境因果，抑或空间一致性在多步生成中崩坏。对于应用开发者而言，它也提示当前可控视频模型距离可靠的交互式模拟器仍有距离，尤其是在机器人、具身智能、游戏生成和仿真训练等场景中，环境不能只是背景板，而必须会对行为作出合理反馈。

更重要的是，WorldExam 给出了一个分层诊断视角：世界模型的发展不应只追求更长、更清晰、更漂亮的视频，而要迈向能维持空间结构、理解目标、响应动作并生成隐含后果的系统。根据论文评测结果，目前尚无模型能同时覆盖广泛任务并保持稳定强表现，这也说明“可控视频生成”与真正意义上的“可交互世界建模”之间仍存在明显距离。

来源：Hugging Face Daily Papers