近两年AI世界模型迎来爆发式增长，各类视频生成、3D场景模拟、具身智能模型层出不穷。但行业一直存在一个很棘手的问题，主流评测标准大多只看画面质感、文本对齐度，根本无法考核模型的物理认知、场景逻辑和实际落地能力。也正因如此，五款针对性极强的全新Benchmark集中面世，覆盖了目前世界模型最核心的五条技术主线。
WorldModelBench：通用视频世界模型的入门基准
市面上绝大多数视频模型评测，都只盯着画面好不好看、文字匹配准不准，完全忽略了模型对真实世界规律的理解。WorldModelBench的出现，刚好补上了这个行业空白，它真正把视频生成模型当作完整的世界模型来考核。
这套基准覆盖机器人、自动驾驶、工业场景、人类活动、游戏动画、自然环境等7大应用领域，细分出56个子场景，搭配350组专业图文提示完成评测。核心从三个维度打分，分别是指令跟随准确度、常识连贯性、物理规则遵守度，重点排查模型常见的物理幻觉问题，比如重力异常、物体穿透、流体形变、无外力运动等漏洞。
它由伯克利、加州大学圣地亚哥分校、英伟达、MIT联合团队打造，专业性拉满。团队众包收集6.7万条人类标注数据，微调出对齐人类认知的评测模型，自动化评测精度比GPT-4o还要高出8.6%。实测榜单里，Kling等闭源模型综合表现靠前，部分开源模型能在细分维度追平闭源产品，但所有头部模型，都距离成熟可靠的世界模拟器还有不小差距。
WorldScore：跨技术路线的世界生成横评标准
以往3D、4D、文生视频、图生视频模型的评测体系互相独立，技术路线不同、输出形态不同，根本没办法公平横向对比。WorldScore最大的价值，就是搭建了一套统一评测框架，解决了行业长期的对比难题。
由斯坦福大学团队、李飞飞与吴佳俊课题组推出的WorldScore，把世界生成拆解为连续的下一帧场景生成任务，依托精准相机轨迹完成评测，数据集包含3000组样例，涵盖动静场景、室内外、写实与风格化画面。评测维度分为可控性、画面质量、动态表现三大模块，细化出相机操控、3D一致性、运动流畅度等多个细分指标。
实测数据能清晰看出不同模型的差异化优势，Voyager、WonderWorld这类3D生成模型擅长静态场景搭建，CogVideoX-I2V等视频模型动态表现更亮眼。而且你能直观发现，文生视频模型可控性更强，图生视频模型的画面稳定性会更有优势。
WorldLens：聚焦自动驾驶的功能性评测基准
自动驾驶领域的世界模型有个普遍痛点，很多模型生成的4D驾驶场景视觉效果逼真，但用到实际重建、路径规划、目标检测时，就会出现几何漂移、轨迹错乱、碰撞漏洞等问题，也就是典型的“好看但不好用”。
WorldLens专门针对自动驾驶场景打造，彻底摒弃单纯的视觉审美评测，聚焦模型的实用性与安全性。它从内容生成、场景重建、动作跟随、下游任务适配、人类偏好五个维度考核，还搭建了26K规模的人类偏好数据集，搭配专属视觉语言评审器完成精准打分。
多校与企业联合团队的实测结论很真实，没有任何一款模型能实现全维度碾压。纹理逼真的模型往往几何稳定性差，几何达标的模型又容易缺失行为细节，DiST-4D、OpenDWM、DriveDreamer-2各自在细分赛道具备优势，刚好也印证了自动驾驶世界模型的评测，必须贴合落地场景。
WorldArena 2.0：考核具身智能的真实落地能力
很多具身智能世界模型能生成流畅的操作视频，却没法给机器人训练提供有效助力，视觉表现和实际功能严重脱节。WorldArena 2.0就是为解决这个问题诞生的，主打考核模型对机器人任务的实际赋能效果。
初代版本依托16项指标完成视觉、物理、可控性评测，同时考核模型的数据生成、策略评估、动作规划三大核心功能。升级后的2.0版本拓展性更强，新增视觉触觉模态，支持力感、物体交互检测，还打通了在线强化学习训练，适配多款真实机器人设备。
这套由清华、港大、普林斯顿等多校联合打造的基准，点明了行业核心痛点，模拟环境的高分表现，完全不能等同于真实部署能力，模拟到现实的鸿沟，依旧是具身世界模型突破的最大阻碍。
Physics-IQ：直击模型底层物理理解能力
所有世界模型的核心根基，都是对真实物理规律的理解，但很多模型只会复刻像素画面，根本不懂物理逻辑。Physics-IQ抛开画面质感，直接考核模型的物理推演能力，区分“像素复刻”和“真实理解”。
由Google DeepMind与INSAIT联合研发、亮相ICCV 2025的Physics-IQ，依托真实物理实验视频出题，覆盖固体力学、流体动力学、光学、热力学、磁学五大场景，要求模型预判物理现象的后续演化。评测只看物理结果是否贴合现实，和画面精美度无关。
实测覆盖Sora、Runway、Pika等主流模型，结论很直观，当前所有视频模型的物理理解能力都很有限，且和视觉真实感不挂钩。流体模拟相对容易达标，固体力学推演是普遍短板。2026年更新的Physics-IQ Verified版本，优化了样本与提示词，评测精度会更加稳定，更适合专业测试使用。 五大Benchmark各司其职，补齐了世界模型评测的各类漏洞，从通用视频、3D生成，到自动驾驶、机器人、物理推理，构建起完整的评测体系。在世界模型快速迭代的当下，标准化、场景化的精准评测，会成为后续技术迭代、赛道竞争的核心关键，彻底告别“唯画面论”的粗放评价时代。
AI 速览
