生成式世界模型在機(jī)器人、自動(dòng)駕駛、AIGC等領(lǐng)域的進(jìn)展肉眼可見：從單視角、行車記錄儀式的視頻合成，到可控、多視角、長(zhǎng)時(shí)序的 4D 場(chǎng)景生成，越來越多系統(tǒng)已經(jīng)能輸出「看起來很逼真」的視頻畫面。

但問題也隨之變得尖銳：當(dāng)一個(gè)模型被稱為「世界模型」時(shí)，我們究竟在期待它具備什么能力？

僅用 LPIPS、FVD 這類視頻指標(biāo)，或「清晰 / 流暢 / 像真視頻」的主觀印象，很容易把討論停留在「像不像視頻」。而真正決定它是否能服務(wù)仿真、規(guī)劃、數(shù)據(jù)合成和閉環(huán)決策的，往往是那些視頻指標(biāo)難以觸及的屬性：幾何是否自洽、多視角是否一致、時(shí)序是否穩(wěn)定、行為是否可執(zhí)行、下游是否可用、人類是否認(rèn)可其物理與安全合理性。

近期，WorldBench 團(tuán)隊(duì)構(gòu)建了全新、體系化的世界模型評(píng)測(cè)框架 WorldLens。

據(jù)悉，這是領(lǐng)域內(nèi)首個(gè)從生成 (Generation)、重建 (Reconstruction)、指令跟隨 (Action-Following)、下游任務(wù) (Downstream)和人類偏好 (Human Preference)等五個(gè)維度同時(shí)出發(fā)，評(píng)測(cè)現(xiàn)有開源世界模型的框架。評(píng)測(cè) EvalKit 現(xiàn)已公開。

• 論文鏈接：https://arxiv.org/abs/2512.10958
• 項(xiàng)目主頁(yè)：https://worldbench.github.io/worldlens
• 開源評(píng)測(cè)代碼庫(kù)：https://github.com/worldbench/WorldLens
• 官方 Leaderboard：https://huggingface.co/spaces/worldbench/WorldLens

為什么「世界模型評(píng)估」會(huì)成為瓶頸？

世界模型研究正快速?gòu)摹改苌伞棺呦颉改苡谩?。一旦它被放進(jìn)真實(shí)鏈路，如作為仿真器用于閉環(huán)測(cè)試、作為數(shù)據(jù)引擎用于訓(xùn)練感知與規(guī)劃、作為可交互環(huán)境支撐反事實(shí)推演，評(píng)估問題就不再是「文章里有沒有幾個(gè)指標(biāo)」，而是決定整個(gè)方向能否規(guī)?；七M(jìn)的基礎(chǔ)設(shè)施。

現(xiàn)實(shí)中，我們經(jīng)?？吹揭环N現(xiàn)象：有的模型生成的視頻紋理很強(qiáng)、觀感極佳，但多視角幾何對(duì)不上，時(shí)序也容易抖；有的模型幾何更穩(wěn)，卻在行為層面頻繁出現(xiàn)不合理運(yùn)動(dòng)；也有模型在開環(huán)指標(biāo)上看似過關(guān)，但閉環(huán)很快崩掉。更麻煩的是，不同工作各用各的評(píng)測(cè)，結(jié)論難以對(duì)齊，失敗模式也難以復(fù)現(xiàn)與歸因。

WorldLens 的核心動(dòng)機(jī)很明確：評(píng)估對(duì)象已經(jīng)從「視頻」變成「世界」，那么我們需要一套能覆蓋世界屬性 (World Attribute)、能診斷失敗來源、能在不同模型間公平對(duì)比的評(píng)測(cè)協(xié)議。

WorldLens 是什么

WorldLens并不試圖用一個(gè)分?jǐn)?shù)給世界模型「蓋棺定論」，而是把評(píng)估拆成五個(gè)互補(bǔ)的 Aspect，讓每個(gè) Aspect 回答一個(gè)現(xiàn)實(shí)問題：

• 生成 (Generation)：模型生成的畫面是否在對(duì)象、時(shí)間、語(yǔ)義、幾何、多視角層面都足夠可信？
• 重建 (Reconstruction)：這些序列能否被還原成一個(gè)穩(wěn)定的 4D 場(chǎng)景，并在新視角下仍然成立？
• 指令跟隨 (Action-Following)：把生成世界「喂」給規(guī)劃器，Agent 還能不能「正常運(yùn)行」？尤其是在閉環(huán)條件下。
• 下游任務(wù) (Downstream Task)：用它生成的數(shù)據(jù)訓(xùn)練 / 測(cè)試真實(shí)感知任務(wù)，是幫助還是負(fù)遷移？
• 人類偏好 (Human Preference)：人類看完是否會(huì)覺得「可信」「合理」「安全」？這種判斷能否被規(guī)?；瘜W(xué)習(xí)成自動(dòng)評(píng)估器？

如果把世界模型看作一種新的「系統(tǒng)級(jí)組件」，這五個(gè)方面分別對(duì)應(yīng)它在真實(shí)落地鏈路中的五個(gè)關(guān)鍵關(guān)卡：看得像、立得住、跑得動(dòng)、用得上、說得通。

Aspect 1: 生成 (Generation) ——「幀級(jí)真實(shí)」只是起點(diǎn)

很多世界模型最先打動(dòng)人的，是單幀畫面的清晰度與質(zhì)感。但只要把鏡頭拉長(zhǎng)到時(shí)序、把設(shè)置擴(kuò)展到多攝像頭，就會(huì)出現(xiàn)大量「視頻指標(biāo)不敏感，但真實(shí)系統(tǒng)非常在意」的問題。

WorldLens在生成性評(píng)估這一部分，重點(diǎn)不是繼續(xù)追問「更像真實(shí)視頻了嗎」，而是把生成質(zhì)量拆到更貼近世界屬性的層面。它會(huì)在對(duì)象層面檢查車輛、行人等關(guān)鍵參與者是否真實(shí)可信（例如外觀與語(yǔ)義是否對(duì)齊），也會(huì)在時(shí)序?qū)用鏅z查同一個(gè)對(duì)象是否能穩(wěn)定地保持「同一個(gè)身份」，避免出現(xiàn)紋理閃爍、形狀漂移、甚至像換了一個(gè)實(shí)體的情況。

更關(guān)鍵的是，WorldLens把幾何與多視角一致性拉回到生成評(píng)估中心。即便模型不直接輸出深度，它仍然可以通過估計(jì)深度來觀察幾何隨時(shí)間是否平滑演化，從而捕捉到隱式幾何不穩(wěn)定；同時(shí)，通過跨視角匹配衡量相機(jī)之間的結(jié)構(gòu)與光度對(duì)齊，直接檢驗(yàn)生成「多視角世界」的能力。

Aspect 2: 重建 (Reconstruction) —— 如果是「世界」，就應(yīng)當(dāng)能被重建

「像世界」不只是看起來合理，更重要的是它是否隱含一個(gè)可以被還原的穩(wěn)定結(jié)構(gòu)。WorldLens在重建方面做了一件很有辨識(shí)度的事：把生成視頻統(tǒng)一提升為 4D Gaussian Field，再?gòu)亩鄠€(gè)角度檢驗(yàn)它的空間與時(shí)間一致性。

在原視角上，它關(guān)心重建后能否忠實(shí)再現(xiàn)輸入（也就是最基礎(chǔ)的光度 / 外觀重現(xiàn)）；但更有信息量的是新視角評(píng)測(cè)：沿著未見過的相機(jī)軌跡渲染新視圖，看是否會(huì)出現(xiàn)結(jié)構(gòu)崩壞、遮擋錯(cuò)誤或明顯偽影，并衡量新視圖與真實(shí)分布之間的差距。

這一套流程經(jīng)常會(huì)暴露出一種典型失效模式，也即論文中反復(fù)強(qiáng)調(diào)的「floaters」：在新視角下出現(xiàn)大量懸浮、不連續(xù)的幾何碎片。它非常直觀地揭示了一個(gè)事實(shí)：感知真實(shí)不等于幾何真實(shí)。一個(gè)模型可以把紋理做得極其逼真，但只要幾何與時(shí)序沒有被真正建模，新視角就會(huì)迅速「露餡」。

Aspect 3: 指令跟隨 (Action-Following) —— 能「看」，不代表能「用」

如果世界模型要進(jìn)入自動(dòng)駕駛的核心鏈路，繞不開的一步是：把它生成的世界交給規(guī)劃器，看系統(tǒng)還能不能跑起來。WorldLens在這一部分同時(shí)做了開環(huán)與閉環(huán)評(píng)測(cè)，目的不是「給規(guī)劃器打分」，而是把規(guī)劃器當(dāng)作媒介，測(cè)試生成世界是否提供了足夠穩(wěn)定、足夠可信的可行動(dòng)線索。

開環(huán)評(píng)測(cè)里，規(guī)劃器的輸出不反過來影響車輛狀態(tài)，因此更像是「在固定輸入上做預(yù)測(cè)」。不少模型在開環(huán)條件下仍能表現(xiàn)得相對(duì)體面。但一旦進(jìn)入閉環(huán)，規(guī)劃輸出會(huì)不斷影響下一時(shí)刻狀態(tài)，誤差會(huì)累積放大，許多模型會(huì)很快出現(xiàn)碰撞、越界、漂移、路線中止等問題。WorldLens 給出的結(jié)論非常一致：閉環(huán)會(huì)顯著放大生成世界中那些肉眼未必立刻察覺的不一致。

如果你的目標(biāo)是用世界模型服務(wù)決策與控制，那么閉環(huán)評(píng)測(cè)就不應(yīng)當(dāng)是「可選項(xiàng)」，而應(yīng)當(dāng)是「必要條件」。WorldLens 的意義在于把這件事從經(jīng)驗(yàn)共識(shí)變成可復(fù)現(xiàn)的評(píng)估協(xié)議。

Aspect 4: 下游任務(wù) (Downstream Task) ——「好看」的合成數(shù)據(jù)，未必「有用」

世界模型的另一個(gè)常見愿景，是成為數(shù)據(jù)引擎：生成更多訓(xùn)練數(shù)據(jù)，幫助真實(shí)感知與預(yù)測(cè)模型。但合成數(shù)據(jù)是否「可用」，往往不是由視覺觀感決定的，而是由分布對(duì)齊、幾何噪聲與時(shí)間一致性決定的。

WorldLens 直接把生成數(shù)據(jù)拿來評(píng)測(cè)多個(gè)真實(shí)下游任務(wù)，包括 BEV 地圖分割、3D 檢測(cè)、3D 跟蹤與語(yǔ)義 Occupancy 預(yù)測(cè)等。這里最具沖擊力的現(xiàn)象是：一些單看畫面非常漂亮的模型，在下游任務(wù)上反而會(huì)出現(xiàn)顯著退化，論文中報(bào)告的降幅可達(dá) 30–50%。這意味著合成數(shù)據(jù)并不能被簡(jiǎn)單視為真實(shí)數(shù)據(jù)的等價(jià)替代，甚至可能帶來負(fù)遷移。

這部分評(píng)測(cè)的價(jià)值在于，它把「世界模型是否有用」從理論討論落到了具體任務(wù)與具體數(shù)字上，并且指出了改進(jìn)方向：如果目標(biāo)是數(shù)據(jù)引擎，僅提升紋理質(zhì)量遠(yuǎn)遠(yuǎn)不夠，結(jié)構(gòu)與時(shí)間層面的對(duì)齊往往才是關(guān)鍵。

Aspect 5: 人類偏好 (Human Preference) —— 把「人類判斷可信世界」變成可學(xué)習(xí)信號(hào)

很多世界屬性 (World Attribute) 本質(zhì)上包含主觀判斷：什么叫「可信」「合理」「安全」？純自動(dòng)指標(biāo)很難覆蓋這種綜合感受。

WorldLens因此構(gòu)建了大規(guī)模人類偏好數(shù)據(jù)集WorldLens-26K，包含 26808 條評(píng)測(cè)樣本，每條既有數(shù)值評(píng)分，也有自然語(yǔ)言解釋，用來記錄標(biāo)注者為什么給出這個(gè)分?jǐn)?shù)、注意到了哪些異常。

更重要的是，WorldLens并沒有把人類評(píng)測(cè)停留在「投票式打分」，而是把這些偏好監(jiān)督進(jìn)一步用于訓(xùn)練自動(dòng)評(píng)估代理 WorldLens-Agent。該 Agent 能輸出與人類偏好一致的評(píng)分，并生成可解釋的理由，從而在不重復(fù)大規(guī)模人工標(biāo)注的前提下，實(shí)現(xiàn)可擴(kuò)展、可復(fù)現(xiàn)的主觀評(píng)估。

從研究視角看，這一步相當(dāng)于把「人類覺得哪里不對(duì)」轉(zhuǎn)化成了可學(xué)習(xí)、可迭代的評(píng)估器，也為未來用偏好對(duì)齊來反向優(yōu)化世界模型打開了路徑。

沒有「全能模型」，但失效模式高度一致

WorldLens 的價(jià)值不止于 benchmarking，更在于用統(tǒng)一評(píng)估把不同模型的能力邊界與失效模式系統(tǒng)性地暴露出來。跨五個(gè) Aspect 的結(jié)果呈現(xiàn)出幾個(gè)非常穩(wěn)定、也很值得反復(fù)咀嚼的現(xiàn)象。

首先，不同 Aspect 之間存在明顯的能力斷層。Generation 指標(biāo)上領(lǐng)先的模型，未必能在重建與新視角上站得??；單視角觀感極佳的模型，跨視角一致性可能依然脆弱；開環(huán)還能勉強(qiáng)運(yùn)行的模型，閉環(huán)往往迅速失穩(wěn)。這說明世界模型的能力并不是一條從差到好的線性刻度。

其次，幾何與時(shí)序穩(wěn)定性像一條「共同瓶頸」，貫穿 Generation、Reconstruction、Action-Following 乃至 Downstream Task。幾何不穩(wěn)會(huì)在新視角下暴露為 floaters，也更容易在閉環(huán)中放大為事故，并進(jìn)一步拖累下游任務(wù)表現(xiàn)。

這也解釋了一個(gè)常見困惑：為什么某些模型看起來更清晰，卻不一定更可用 —— 因?yàn)榧y理質(zhì)量并不能替代世界結(jié)構(gòu)的自洽。

再次，閉環(huán)評(píng)測(cè)會(huì)把世界模型的缺陷放大到「無法忽視」。在閉環(huán)中，任何微小的不一致都會(huì)持續(xù)積累，最終表現(xiàn)為碰撞、偏航與路線失敗。這對(duì)于希望把世界模型用于仿真、驗(yàn)證與安全測(cè)試的研究者而言，是非常直接的提醒：如果只在開環(huán)里「看起來不錯(cuò)」，距離真實(shí)可用仍然很遠(yuǎn)。

最后，人類偏好與自動(dòng)指標(biāo)既相關(guān)又不完全一致。人類解釋文本往往會(huì)直接指出幾何異常、物理違背與行為風(fēng)險(xiǎn)，這些信息對(duì)理解失敗原因非常關(guān)鍵，也為自動(dòng)評(píng)估代理提供了訓(xùn)練依據(jù)。換句話說，主觀評(píng)估并不是「不可量化的玄學(xué)」，而是可以被結(jié)構(gòu)化、被學(xué)習(xí)、并最終進(jìn)入評(píng)估閉環(huán)的一部分。

總結(jié)：評(píng)估將與生成同等重要

當(dāng)世界模型從「生成好看的片段」走向「構(gòu)建可交互的世界」，評(píng)估就必須從「視頻質(zhì)量」升級(jí)為「世界屬性」。WorldLens 的貢獻(xiàn)在于把這件事做成了可執(zhí)行的協(xié)議：用五個(gè) Aspect 覆蓋從視覺到幾何、從功能到偏好的一整條鏈路，并用人類數(shù)據(jù)與評(píng)估代理把主觀判斷也納入可規(guī)?；捏w系。

如果說世界模型的上半場(chǎng)比拼的是「能不能生成」，那么下半場(chǎng)更可能比拼的是：能不能生成一個(gè)在幾何、物理、行為與人類判斷上都經(jīng)得起檢驗(yàn)的世界。WorldLens 試圖為這場(chǎng)下半場(chǎng)提供一套共同語(yǔ)言。

作者介紹

本工作由 WorldBench 團(tuán)隊(duì)完成，該團(tuán)隊(duì)匯集了來自世界模型、視頻生成、自動(dòng)駕駛等方向的研究者，在領(lǐng)域內(nèi)構(gòu)建了體系化、易用、性能可靠的各類生成 / 評(píng)測(cè)框架，包括 VBench、LiDARCrafter、DynamicCity、DrivingSphere、AD-R1 等

研究者來自世界知名高校、企業(yè)，包括了新國(guó)立、中科院、中科大、浙大、澳門大學(xué)、地平線、南洋理工、華科、慕尼黑工大、復(fù)旦、上海人工智能實(shí)驗(yàn)室等