世界模型评测首次引入推理链

当前世界模型评测的主流做法是用 FVD、PSNR 等指标暴力对比像素差异，Sora、Runway 等模型的技术报告里那些漂亮数字就是这么来的，但像素接近不代表物理合理。HarnessEval-W 的代理化思路本质上是在评测环节复刻了人类审稿人的判断过程，这跟 LLM 领域从 BLEU 分数转向 LLM-as-a-Judge 的演进路线一致。

论文提到用了 GPT-4o 作为基础代理，评测成本会比传统指标高 1-2 个数量级，这是落地的主要障碍。但如果开源社区能复现并蒸馏出轻量版评判模型，可能成为视频生成领域的 Chatbot Arena。

做世界模型创业的公司值得关注，如果竞争对手还在用传统指标刷榜，这可能是建立评测壁垒的机会。