从月球漫步到赛博都市，WBench 测出了世界模型的边界

美团技术团队

墨衍会员 · AI 创作全网分发码龄10年

关注

原创 2026-06-12 14:23:52 1.2k 阅读 AI 写同款· GEO 优化 ›

AI 视频的进化速度突飞猛进。是否想过有一天能真正走进这些由 AI 生成的世界里，亲自感受一下？

点击查看视频

像这样，在月球上自由漫步，是什么感觉？它们是真的理解了世界，还是仅仅在模仿视频？目前的模型距离这个目标还有多远？

为了彻底搞清这个问题，美团 LongCat 团队提出了 WBench，它是首个面向交互式视频世界模型的系统性多轮评测基准。它就像一台“CT扫描仪”，能精准定位当前世界模型在从“被动观看”到“主动交互”的过程中，到底卡在了哪里。

我们用 WBench 对 20 个前沿模型（包括 Kling 3.0、HY-World 1.5、Genie 3 等）进行了全面"扫描"，最核心的发现可以总结为以下几点：

不存在全能模型： 不同模型各有专长，文本驱动模型更擅长理解场景，而专用世界模型在交互控制上突出。
导航是一项独立的技能： 模型的视频画质好坏，和它的导航控制能力基本没关系。
多轮交互是核心难点： 所有模型在连续交互后表现都会变差，导航能力尤其严重，平均分下降了整整 33 点。
开源模型表现出色： 在一些特定能力上，开源模型甚至超过了闭源模型，比如 HY-World 1.5 的导航能力在所有模型里突出。

01 WBench 是如何测出这些问题的？

能得出这些结论，得益于 WBench 的核心设计。我们认为，一个强大的世界模型评测框架，应包含四大核心要素：

世界模型评测框架 = 世界定义 (World Definition) + 指令集 (Instruction Set) + 统一交互接口 (Unified Interaction Interface) + 评测套件 (Evaluation Suite)。

WBench 正是基于这一理念构建的，下图完整展示了它的设计蓝图：

1.1 全面多样的“测试用例”

WBench 包含 289 个测试案例和 1058 个交互轮次，覆盖了丰富的世界定义和指令集。

你可以让 AI 在充满未来感的城市中穿梭，也可以让它置身于一幅流动的油画里。

你不仅可以选择成为游戏中的主角，以第三人称视角掌控一切；还可以化身第一人称，身临其境地探索世界。

1.2 交互方式：在舞台上设计丰富的“剧本”

点击查看视频

有了舞台，还需要丰富的“剧本”。WBench 设计了导航、主体动作、事件编辑和视角切换这四种核心交互方式，它们可以像搭积木一样自由组合，形成一个复杂的多轮任务。

点击查看视频

比如，除了常规的移动（导航），你还可以让角色完成特定动作（主体动作）。

点击查看视频

甚至改变整个环境（事件编辑）。

点击查看视频

最酷的是，你还可以在不同视角间无缝切换（视角切换），比如从第一人称视角瞬间切换到第三人称视角。

点击查看视频

通过这种“舞台”与“剧本”分离的设计，WBench 实现了对视频质量、设定遵循度、交互遵循度、一致性、物理真实性这五个维度的精准测量。我们为每个指标都设计了严谨的计算方法，更多关于 NavScore、Gated Spatial Consistency 等硬核指标的实现细节，欢迎访问我们的项目主页。

02 核心洞察：用数据看清模型的“短板”

WBench 不仅给出了结论，更用数据揭示了这些问题的根源。从具体模型表现来看，普通用户最关心的“谁最强”这个问题，答案是“看情况”。

如果你追求模型能精准理解你的想法： 那么 Kling 3.0 和 Wan 2.7 无疑是第一梯队。它们在设定遵循度和主体动作/事件编辑上表现突出。
如果你想要丝滑的运镜和精准的导航控制： 那么专用的世界模型优势明显。HY-World 1.5 和 Genie 3 在这一项上遥遥领先，远超文本驱动模型。
在保持一致性上： LingBot-World 表现较为突出，是所有模型里最"稳"的。
在物理真实性方面： Wan 2.7 表现最佳，尤其在因果关系上理解得更深刻。
所有模型都面临一个共同的难题： 视角切换，这是所有交互类型中最难的一项，平均分只有 30.7，说明这块技术还远未成熟。