号称能造虚拟世界的AI：换个角度就穿帮，一用就撞墙

现在“世界模型”这词儿太火了，动不动就号称能生成整个虚拟世界。

可你仔细一看——画面是高清了，车也跑得挺溜，但换个角度就穿模，规划器一进去就撞墙。

看起来像世界，用起来像纸糊的，咱们到底该拿什么尺子量它？

最近，一个叫WorldLens的新评测框架横空出世，直接把“世界模型”的底裤都快扒下来了。

周叔一直关注自动驾驶和AIGC的进展，这几年生成式模型确实突飞猛进。

从单视角行车记录仪视频，到可控、多视角、长时序的4D场景，技术演进肉眼可见。

但问题也来了——当一个模型自称“世界模型”，我们真该只看它画得多像吗？

他们指出，传统指标如LPIPS、FVD只能衡量“像不像视频”，却完全忽略了几何一致性、物理合理性、行为可执行性这些决定模型能否落地的核心属性。

于是，WorldBench团队搞出了WorldLens。

这是目前业内首个覆盖五大维度的全谱系评测体系：生成、重建、指令跟随、下游任务、人类偏好。

它不追求一个总分，而是像体检一样，逐项排查模型在真实应用中的“健康状况”。

比如在“重建”环节，WorldLens会把生成视频反向重建为4D高斯场，再从新视角渲染。

结果发现，很多模型在原视角看着没问题，一换角度就冒出大量“floaters”（悬浮几何碎片）。

纹理再真，结构一塌糊涂，根本撑不起一个“世界”。

咱们再聊聊最扎心的部分：开环看着行，闭环立马崩。

WorldLens专门设计了“指令跟随”测试：把生成的世界喂给一个预训练的自动驾驶规划器，看它能不能安全跑完路线。

结果令人警醒——几乎所有模型在开环（即不反馈控制）下表现尚可，但一旦进入闭环（规划影响车辆状态），碰撞、越界、路线中断频发。

误差在时序中不断累积，微小的几何偏差最终酿成“事故”。

更值得警惕的是下游任务表现。

有些模型生成的画面堪称电影级，但拿来训练BEV分割或3D检测模型时，性能反而暴跌30%–50%。

原因很简单：合成数据分布与真实世界错位，几何噪声大，时序不稳。

“好看”不等于“有用”，甚至可能毒化训练。

而最妙的是第五维度——人类偏好。

基于此，他们训练出WorldLens-Agent，一个能模拟人类判断的自动评估器。

这意味着，主观感受也能被量化、被学习、被规模化应用。

截至目前，WorldLens已评测包括MagicDrive-V2、DiST-4D、DriveDreamer-2、Panacea等十余个主流开源模型。

结果很一致：没有一个模型能在五个维度上全面领先。

有的强在纹理生成，弱在几何；有的重建稳定，但行为不合理；还有的开环流畅，闭环失控。

几何与时序稳定性，成了横跨所有任务的“共同瓶颈”。

这也解释了为何某些“高清模型”在仿真中频频翻车——世界不是靠像素堆出来的，而是靠结构撑起来的。

值得一提的是，WorldLens的代码、数据集和Leaderboard均已开源。

团队明确表示：欢迎全球研究者提交模型，共建公平、透明的评估生态。

当AI从“生成内容”迈向“构建世界”，评估标准必须同步升级。

WorldLens的意义，不仅在于暴露现有模型的缺陷，更在于为行业树立了一套“世界属性”的度量衡。

未来的竞争，不再是“谁的画面更美”，而是“谁的世界更真、更稳、更可用”。

只有经得起几何、物理、行为与人类判断四重拷问的模型，才配称一声“世界模型”。