世界模型终于有统一评测基准了
推荐指数 70.0 NO. 021 · 2026.09.25
upvotes39comments2
为什么值得看
HappyWorld-Bench 构建了三轨并行的评测体系，覆盖视频、空间和具身世界模型，用 1,692 个测试案例检验生成世界在交互中的可靠性。对苦于没有标准、各说各话的世界模型赛道，这是关键基础设施。
媒体预览
编辑判断
世界模型过去最大的问题是自说自话——视频生成模型只看 FVD，具身模型只看任务成功率，没人回答"这个世界能不能被持续交互而不崩"。HappyWorld-Bench 把"一致性"拆成 W1-W6 六级能力，相当于给世界模型做了个"物理引擎鲁棒性测试"。
这个框架直接对标 GAIA 对 Agent 的意义。目前 Sora、Genie、以及各类 NeRF/3DGS 方法都可以被拉到同一个竞技场 A/B 对比，论文作者还搭了 HappyWorld-Arena 做众包评测，这对做 world model 创业的公司是利好——终于不用自己造尺子。
代码和数据集未明确说明是否开源，这是关键悬念。如果开源，大概率成为 CVPR/NeurIPS 世界模型论文的标配 benchmark。