PlayWorld：基于智能体玩家在长时程目标上评估世界模型的基准

arXiv 2026 47.9 benchmark

TLDR

提出PlayWorld基准，含171个场景和智能体玩家，评估视频世界模型在长时程交互目标上的表现。

评分理由

The paper addresses a clear evaluation gap by using agent players for cross-model comparison and proposes a multi-dimensional benchmark tested on nine world models. However, the abstract is truncated and lacks detailed quantitative results or explicit limitations, making full assessment difficult.

Read-first 评分解释

综合优先阅读分 47.9，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 47。

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、实验、指标

主题相关性 29%

67.1

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、GitHub

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：581。

关键词评分

world model

video world model

interactive world model

world dynamics prediction

world simulator

generative world model

model-based reinforcement learning world model

深度分析

创新点

使用多模态智能体玩家与世界模型交互，进行长时程目标评估，克服固定动作条件比较的局限
引入PlayWorld基准，包含171个各带指定目标的场景
定义四个核心评估维度：几何一致性、交互保真度、视野外演化和洞察演化
纳入视频质量与可控性的基础能力指标

方法

该基准使用多模态智能体玩家与世界模型交互以追求长时程目标。它提供171个场景，每个场景都有指定目标。模型在四个核心维度（几何一致性、交互保真度、视野外演化、洞察演化）以及基础视频质量/可控性指标上接受评估，并在九个最先进的世界模型上进行了测试。

关键结果

当前世界模型在长时程交互目标上不可靠，尤其在空间一致性和持续状态演化方面存在明显不足。

资源

论文