MIND：世界模型中记忆一致性与动作控制的基准测试

arXiv 26.2 2026 79 benchmark

TLDR

MIND是一个基准，使用250个高质量视频评估世界模型中的记忆一致性和动作控制。

评分理由

The paper introduces a novel benchmark (MIND) with a clear evaluation framework and a baseline (MIND-World), addressing a gap in world model evaluation. Strengths include open-domain, closed-loop design and diverse action spaces; weaknesses are limited video count and scene diversity, and lack of detailed results or comparisons in the abstract.

Read-first 评分解释

综合优先阅读分 79，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 51。

近期性 8%

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

可复现性 25%

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：有；数据：无；命中信号：代码、GitHub

方法质量 25%

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：基线、基准、评估、实验

主题相关性 42%

72.9

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

研究版图角色

前沿论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：23。

关键词评分

world model

world dynamics prediction

interactive world model

video world model

generative world model

model-based reinforcement learning world model

world simulator

深度分析

创新点

首个用于评估世界模型中记忆一致性和动作控制的开放域闭环可复现基准
高效的评估框架，用于衡量记忆一致性和动作控制，捕捉跨视角的时间稳定性和上下文连贯性
设计多种动作空间（不同角色移动速度和摄像机旋转角度），以评估在共享场景下跨不同动作空间的泛化能力
引入MIND-World，一种新颖的交互式视频到世界基线，用于基准测试

方法

MIND包含250个高质量视频（1080p，24 FPS），其中100个第一人称和100个第三人称视频片段共享同一动作空间，另有25+25个片段覆盖不同动作空间，涉及八个多样化场景。评估框架衡量两个核心能力：记忆一致性和动作控制。MIND-World是一种用于基准测试的交互式视频到世界基线。

关键结果

大量实验证明了MIND的完备性，并揭示了当前世界模型的关键挑战，包括难以维持长期记忆一致性和跨动作空间泛化。

资源

论文代码