知识卡片：世界嵌入基准（World Embedding Benchmark）

一句话结论

World Embedding Benchmark 用 8,000 个受控仿真案例评测视频表示中的物理信息，发现预训练全模态嵌入模型在跨模态物理对齐上较弱，但轻量探针可从冻结视频嵌入中恢复部分物理属性；同时，物理特定的持续对比训练会提升对齐与配对分类，却可能牺牲定量物理属性回归。

事件概述或研究问题

物理保真在世界模型与视频生成中受到越来越多关注，但视频表示如何编码物理信息仍不够清楚。该工作提出 World Embedding Benchmark，包含来自 80 个 family 的 8,000 个受控仿真案例，覆盖流体力学、固体力学、动力学、光学与电磁学。每个案例将渲染视频与仿真导出的物理标注配对，并支持三类互补任务：文本-视频检索、物理属性回归、多选视频-描述对分类。其核心目标是区分“跨模态物理对齐”与“定量物理信息可恢复性”。

方法/产品要点

• 数据规模：8,000 个受控仿真案例，80 个 family，覆盖流体力学、固体力学、动力学、光学与电磁学。
• 数据形式：每个案例包含渲染视频与仿真导出的物理标注。
• 评测任务：文本-视频检索、物理属性回归、多选视频-描述对分类。
• 模型评测：预训练 omnimodal 嵌入模型；轻量探针用于从冻结视频嵌入中恢复物理信息。
• 训练干预：使用物理特定视频-文本对进行持续对比训练。
• 生成应用：使用嵌入检索参考视频，用于 MiniMax-H3 的检索增强生成（RAG）。
• 具体仿真器、渲染设置、数据划分、评测指标与模型清单：待核实。

主要结果或产业意义

• 预训练全模态嵌入模型在检索任务上表现较弱，族内配对分类接近随机水平。
• 轻量探针可从冻结视频嵌入中恢复有用的物理信息。
• 物理特定视频-文本对的持续对比训练可提升检索与配对分类，但会降低物理属性回归表现，显示“跨模态对齐”与“定量信息可恢复性”之间存在权衡。
• 使用嵌入检索参考视频可提升 MiniMax-H3 生成视频的物理保真；实验显示检索模型越强，生成物理保真的收益越大。
• 产业意义在于：物理感知的视频表示可用于检索增强视频生成；评测世界模型或视频生成时，需要同时评估物理对齐与物理属性可恢复性，而不能只看跨模态对齐。

为什么重要

该工作把物理保真评测从生成画质或跨模态对齐，推进到“视频嵌入是否保留可恢复的定量物理信息”这一层面，并指出对齐训练可能损害定量信息。与已有相关卡片相比，UniClawBench 偏主动智能体真实任务评测，UAV-DualCog 偏无人机多模态时空推理，CPI-Bench 偏真实世界图像编辑；本条增量在于面向世界模型/视频生成，构建视频嵌入层面的物理信息基准，并把表征评测连接到 RAG 视频生成的物理保真提升。未发现其直接延续上述卡片的事实脉络。

局限与不确定性

• 摘要未给出具体数值结果、统计显著性、评测模型完整列表与训练细节，待核实。
• 80 个 family 的具体划分、训练/测试拆分、案例生成流程与领域覆盖偏差，待核实。
• 仿真到真实世界的泛化能力，以及渲染视频与真实视频之间的差距，待核实。
• MiniMax-H3 的版本、配置、RAG 流程与生成评估方法，待核实。
• 数据、代码、模型是否公开，待核实。
• 论文同行评审状态与发表 venue，待核实。
• 英文关键词是否为作者官方关键词列表，待核实；以下关键词为据摘要提取。

可用于图书/PPT/简报的角度

• “物理保真不只看生成画质”：视频表示需同时评测跨模态对齐与定量物理属性可恢复性。
• 基准设计角度：受控仿真 + 仿真导出标注 + 三类互补任务。
• 方法权衡角度：持续对比训练可能提升检索与分类，但损害物理属性回归。
• 生成应用角度：检索物理参考视频用于 RAG，可能提升视频生成物理保真。
• 世界模型评测路线：从静态图像编辑、智能体任务扩展到物理视频嵌入与生成保真。

原始材料

• 英文标题：World Embedding Benchmark
• arXiv ID：2610.03632v1
• Authors：Yiqi Liu, Ruifeng Yuan, Yang Wang, Long Li, Fengyu Cai, Hou Pong Chan, Jialin Yu, Hao Zhang, Chenghua Lin, Chenghao Xiao
• Published：2026-10-02T17:24:25Z
• Updated：2026-10-02T17:24:25Z
• Primary category：cs.CV
• Categories：cs.CV, cs.CL
• Abstract URL：https://arxiv.org/abs/2610.03632v1
• PDF URL：https://arxiv.org/pdf/2610.03632v1
• 英文关键词（据摘要提取，待核实是否为官方关键词）：world models; video generation; physical fidelity; video representations; benchmark; text-video retrieval; physical-property regression; multiple-choice video-description pair classification; retrieval-augmented generation; MiniMax-H3