WorldExam：从表观外观到内在反应性评测世界模型

1. 发生了什么

原始事实： 论文提出 WorldExam，用于评测可控视频生成模型作为世界模型时的能力。基准覆盖四个层级：视觉质量、控制遵循、空间一致性和世界反应性；共包含 1,474 个案例、8 项任务，并评估 20 个代表性模型。

原始事实： WorldExam 将 camera-driven、action-driven 和 language-driven 三类模型范式纳入统一评测。其重点是 World Reactivity：模型是否能根据场景状态推断未被输入明确描述的合理后果，以及是否能产生目标导向的行为。

分析： 该设计把“执行明确指令”与“根据世界状态进行反应”区分开来，后者更接近交互式环境建模，而非单纯的视频条件生成。

原始事实： 基准包含 1,474 个案例、8 项专门任务，覆盖四个评测层级；实验评估了 20 个代表性模型。摘要报告称，camera-driven 模型擅长相机控制，action-driven 模型更精确地控制主体，language-driven 模型在交互方面表现更好。

原始事实： 摘要还指出，camera-driven 模型的接口不支持动态交互；action-driven 模型经常无法让世界环境响应；language-driven 模型对复杂控制的遵循度较弱。

分析： 这项工作提示，视觉逼真度和显式指令完成度不能直接代表世界模型能力。若模型只会移动指定主体，却不能保持空间关系、响应碰撞或生成场景条件下的后果，它更像可控视频生成器，而不是具备稳定反应性的环境模型。

分析： 研究者可用四层结构定位模型瓶颈，而不只比较单一视频质量分数。开发者在选择用于机器人仿真、交互式内容、游戏环境或代理训练的视频模型时，也应单独检查空间一致性和未显式指定的场景反应。

未证实推断： 如果 WorldExam 的任务设计能稳定泛化到真实交互场景，它可能影响未来世界模型的训练数据构造、评测协议和模型接口设计；这一影响不能仅由当前摘要确认。

原始事实： 提供的摘要没有列出八项任务的具体定义、各模型名称、数据来源、评分方法、统计显著性或逐模型结果，也没有说明案例是否覆盖真实世界、合成环境或特定领域。

分析： 仅凭摘要无法判断不同层级之间的权重、评测是否依赖人工判断或自动指标，也无法确认“世界反应性”与长期一致性、物理真实性之间的具体关系。因此，摘要中的能力分化应视为作者报告的总体结果，而不是对所有视频模型的普遍定律。