AutoWorldModel-Bench：以状态为中心的自动化世界模型研究基准

arXiv 2026 40.1 benchmark

TLDR

提出AutoWorldModel-Bench，一个闭环基准，让AI编码智能体在固定计算预算下自主改进八个游戏环境中的世界模型起点。

评分理由

The paper presents a novel benchmark and empirical results across 64 agent sessions, which is a strength. However, the abstract lacks details on baseline comparisons and limitations, and the focus is on agent research rather than advancing world-model methods themselves.

Read-first 评分解释

综合优先阅读分 40.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 36。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：基准、评估

主题相关性 29%

51.4

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：代码

引用影响力 18%

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。引用数：0

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：307。

关键词评分

world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

interactive world model

generative world model

video world model

深度分析

创新点

AutoWorldModel-Bench：一个闭环基准，用于在开放式世界模型改进任务上评估编码智能体作为自主研究者
统一的结构化状态表示：从每个游戏中提取真实实体状态，并通过共享张量格式使用，将动力学建模与感知解耦
评估前沿编码智能体在研究式修改（新目标、表示、rollout过程、架构更改）上的表现，而非按规格工程任务

方法

该基准提供一个世界模型起点和固定计算预算，要求前沿编码智能体在八个游戏环境中自主改进它。所有环境共享结构化状态表示——以通用张量格式表示的真实实体状态——因此只改变动力学建模，不改变感知。该设置每次运行只需数分钟，并使用Codex-5.4和Claude Opus 4.6在64个会话中进行了测试。

关键结果

在64个会话中，智能体在63个会话中改进了所提供的起点；91%的获胜编辑是非平凡的研究式修改，而非简单的超参数调整。

局限性

仅限于八个具有真实实体状态的游戏环境，未涉及感知和真实世界感官挑战
仅测试了两个前沿编码智能体（Codex-5.4和Claude Opus 4.6），共64个会话

资源

论文