北京
你以为生成一段在月球漫步的视频，就代表AI理解重力、碰撞和空间方位了吗？现实狠狠打了脸。美团LongCat团队推出的WBench，就像一台专门给世界模型做“CT扫描”的设备。它用289个测试案例、1058个交互轮次，把20个前沿模型里里外外扒了一遍，结果发现：模型能画出极美的赛博都市，却经常不知道自己身在何处，更别提稳定地往前走了。这一反直觉的结论，直接捅破了当前AI视频模型“看起来很懂世界”的泡沫。
WBench的核心设计，可以用一个公式概括：世界模型评测框架 = 世界定义 + 指令集 + 统一交互接口 + 评测套件。它不像传统基准那样只让模型被动生成一段视频然后打分，而是搭建了可交互的虚拟舞台，要求模型根据连续指令完成导航、角色动作、场景编辑甚至第一第三人称视角切换。舞台与剧本分离：世界定义决定你是在月球表面还是在梵高油画里漫步，指令集则像导演喊出的“向前走三步，然后换成俯瞰镜头”。这种设计使得评测能同时覆盖视频画质、设定遵循度、交互响应、时空一致性、物理真实性五个维度，每一刀都切在模型从“被动生成”到“主动交互”的关键痛点上。
那么，哪个模型最强？WBench给出的答案很诚实：看你要什么。如果你追求模型精准理解指令、严格还原设定，文本驱动的Kling 3.0和Wan 2.7是第一梯队；如果你想要丝滑运镜和精准导航，专用世界模型HY-World 1.5和Genie 3一骑绝尘；论一致性，LingBot-World最稳；论物理真实，尤其是因果关系，Wan 2.7又站了上风。没有全能选手，每个模型的技能树都点在了不同分支上，而视角切换是所有玩家的噩梦，平均分只有30.7，相当于勉强及格线边缘挣扎。
最震撼的发现藏在相关性矩阵里：导航能力的得分，与视频质量、一致性等维度的相关系数几乎为零。也就是说，模型在学会渲染精美画面时，完全没有同步习得在空间中有控制地移动的能力。原因在于，导航依赖独立的“空间状态表示”，需要模型知道自己在哪里、朝向何方、移动后位置如何更新，而画质和语义理解更多依赖通用的生成先验。模型“知道”世界长什么样，却根本不“理解”自己在这个世界里的坐标和方向。这种解耦直接把“未来只需提升画质就能实现交互世界”的幻想击碎。
更糟糕的是，只要进行多轮连续交互，所有模型都会迅速“迷路”。WBench的数据显示，导航得分从第一轮起逐轮雪崩式下跌，到第四轮及以后平均暴跌33个点。这种退化并非偶然，而是当前迭代式生成范式的结构性缺陷——位姿误差会像滚雪球一样累积。此外，不同的世界设定难度差异明显：第一人称视角让导航更容易，但保持场景设定更难；动物主体因为复杂动态，对模型的挑战最大（z值为-1.9）。这些数字清晰地划出了技术边界。
WBench的另一个价值在于统一了评测接口。无论模型接收的是文本指令、相机位姿参数还是离散键盘按键，都能通过统一交互接口公平比较，打破了技术流派壁垒。更关键的是，这套自动评分与400名人类标注者的判断高度一致（Spearman相关系数不小于0.94），相当于它给出的分数基本等于人类专家的集体意见。目前WBench已经全面开源，项目页面上还公开了NavScore、门控空间一致性等硬核指标的实现细节，任何世界模型都可以上去跑分，看看自己到底卡在哪个环节。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
