知识卡片：WorldExam——从表观外观到内在反应性的世界模型基准测试

英文标题：WorldExam: Benchmarking World Models from Apparent Appearance to Inherent Reactivity
英文关键词：World Models; Controllable Video Generation; Benchmark; World Reactivity; Evaluation
原始来源：https://arxiv.org/abs/2608.02603v1

一句话结论

WorldExam 是一个分层诊断基准，用于评估可控视频生成模型作为世界模型时的表现，重点考察模型能否从场景状态推断世界应当如何反应，并生成输入中没有显式描述的合理后果；评测发现，高视觉质量和显式指令遵循并不保证模型具备“内在反应性”，目前没有模型能同时覆盖广泛任务并持续表现强。

事件概述或研究问题

可控视频生成模型正越来越多地被当作世界模型来开发。研究者指出，评估这些模型不能只看生成视频的表观外观，还要看其所描绘世界的“内在反应性”（inherent reactivity），即从场景状态推断世界应如何反应、并生成输入中未显式描述的合理后果的能力。然而，现有基准主要评估视觉质量或显式指令完成度，通常只检查请求的动作和交互结果是否实现，对内在反应性的考察不足。

方法/产品要点

• WorldExam：一个层级化诊断基准，包含四个评估层级：
  1. Visual Quality（视觉质量）
  2. Control Adherence（控制遵循）
  3. Spatial Consistency（空间一致性）
  4. World Reactivity（世界反应性）
• 数据集规模：共 1,474 个案例，覆盖 8 个专门任务。
• 支持对三类模型范式的统一评估：camera-driven（相机驱动）、action-driven（动作驱动）、language-driven（语言驱动）。
• World Reactivity 层级专门评估超出输入显式指定内容的场景条件反应和目标导向行为。

主要结果或产业意义

• 评测了 20 个代表性模型，结果呈现明显的能力分化：
  • 相机驱动模型擅长相机控制，但其接口不支持动态交互；
  • 动作驱动模型能更精确地控制主体，但往往让世界缺乏响应；
  • 语言驱动模型在交互上表现更好，但遵循复杂控制指令的忠实度较低。
• 没有任何模型能兼具广泛任务覆盖与稳定强性能，说明当前可控视频生成模型距离真正可用的世界模型仍有明显差距。
• 该基准把“世界反应性”从视觉外观和指令遵循中独立出来，为后续世界模型评估提供了新维度。

为什么重要

现有视频生成评估多聚焦画面质量或显式指令完成度，容易高估模型作为世界模型的能力。WorldExam 明确指出：即使视频画质高、指令执行准确，世界仍可能“不响应”或“不真实地反应”。这一区分对依赖世界模型进行规划、决策和交互的研究与应用具有重要警示意义，也为三类模型范式的改进方向提供了诊断依据。

局限与不确定性

• 摘要未给出 20 个具体模型名单、各任务的具体设计细节、评估指标的计算方式以及数据来源，相关内容需待核实。
• 论文是否公开代码、数据或在线评测平台，从摘要中无法确认，需待核实。
• “内在反应性”的界定和评价标准是否适用于真实物理世界中的长期动态，尚需进一步验证。

可用于图书/PPT/简报的角度

• 用 WorldExam 的四级金字塔（视觉质量→控制遵循→空间一致性→世界反应性）说明“世界模型评估不是只看画质”。
• 以“相机驱动/动作驱动/语言驱动”的能力对比雷达图为例，展示不同交互接口的优缺点。
• 引用“高视觉质量≠世界反应性”这一结论，提醒生成视频模型落地的隐藏短板。

与既有脉络的关系

本卡片是对已有“从像素到状态：重新思考交互世界模型作为游戏引擎”等相关工作的延续与更新：后者侧重以游戏引擎动作-状态-观测循环组织分析并发布《黑神话：悟空》数据集；WorldExam 则从基准评测角度，将“内在反应性”作为独立维度，系统诊断三类可控视频生成模型的世界模型能力，增量信息在于提供了一种超越视觉质量和指令遵循的统一评估框架。

原始材料

• 标题：WorldExam: Benchmarking World Models from Apparent Appearance to Inherent Reactivity
• arXiv ID：2608.02603v1
• URL：https://arxiv.org/abs/2608.02603v1