标题：对话清华商宇丨从生成视频到支撑行动，世界模型需要新的评测标准

在当前AI研究中，“世界模型”被视为通往具身智能的关键。然而，一个核心问题浮现：当模型能生成逼真的未来视频时，我们是否应相信它真正理解了世界，还是仅仅复刻了表象？

在具身智能场景中，视觉真实并不等于功能可用。例如，咬了一口的苹果自动愈合、坠落的杯子漂浮空中——这些“感知与功能的断裂”对AI来说是致命缺陷。即便模型生成4K分辨率的视频，若无法理解重力、因果关系或物体永久性，也无法支撑机器人在物理世界中的抓取、规划与交互。

CVPR 2026释放出明确信号：计算机视觉（CV）与图形学（CG）的边界正在模糊。视觉研究正从“像素预测”转向“世界动力学”的重建，世界模型需构建具备物理一致性的内部沙盒，跨越2D藩篱，解决因果律、重力和3D空间逻辑。

清华团队提出的WorldArena评测平台正是这一趋势的产物。论文《WorldArena: A Unified Benchmark for Evaluating Perception and Functional Utility of Embodied World Models》指出，现有评测过于关注视频质量，而忽视功能性任务能力。WorldArena重新审视这一逻辑，评估模型是否能支持下游任务，如数据生成、策略评估和长程动作规划。

WorldArena从两个维度评估模型：一是视觉质量，二是功能性任务能力。视觉质量关注分辨率、画面清晰度等；功能性任务则分为三类：作为数据生成引擎、在线交互环境和具身大脑。这不仅考察模型能否预测未来，还追问这些预测能否转化为动作，支撑智能体决策。

然而，许多高视觉质量模型在功能评估中表现不佳。原因在于训练目标错配和长程稳定性不足。视频生成模型通常拟合2D像素分布，未充分建模3D空间和动作关系。此外，长程任务要求模型稳定输出，但现有模型常因误差累积导致性能下降。

WorldArena的意义不仅在于提供排行榜，更在于推动训练范式转向视频-动作联合建模。未来，Benchmark需持续迭代，避免成为路径依赖，并逐步纳入真实环境评估，缩小仿真与现实差距。

CVPR 2026挑战赛基于WorldArena展开，分为视频生成质量和功能性评测两赛道。目前，比赛已吸引学术界、工业界广泛参与，提交次数近100次，竞争激烈。

WorldArena不仅是评测工具，更是引导研究方向的诊断框架。随着模型能力提升，Benchmark需不断进化，推动世界模型迈向真实物理交互的目标。