修剪视觉世界建模评估的长尾

arXiv 2026 60.2 benchmark

TLDR

引入Tailor-Bench评估视觉世界模型在长尾物理交互上的表现，揭示其在常见场景之外的泛化能力有限。

评分理由

The paper presents a well-structured benchmark with three scenario modes and two generation settings, effectively demonstrating a long-tail gap in physical world modeling. However, it focuses solely on evaluation without proposing new models or addressing interactive or reinforcement learning contexts.

Read-first 评分解释

综合优先阅读分 60.2，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 39。

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

引用影响力 18%

94.8

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。归一化引用分位：0.94788889

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：分析、基准、评估、实验、结果

主题相关性 29%

55.7

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：无

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

基础论文前沿论文桥接论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：418。

关键词评分

world model

generative world model

video world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

引入Tailor-Bench，一个用于评估视觉世界模型在不规则物理交互上的基准测试
三种场景模式（常规、非常规、不可能）逐步挑战模型推理能力
统一协议下的两种互补评估设置（预测生成和描述生成）

方法

Tailor-Bench设计有三种场景模式：常规（常见工具-任务对）、非常规（属性兼容的替代工具）和不可能（属性违反的工具）。采用两种设置：预测生成（无指导推断结果）和描述生成（指定目标结果）。该基准测试评估图像和视频生成模型在物理交互模拟上的表现。

关键结果

性能从常规到非常规再到不可能场景逐渐下降，揭示了物理世界建模中的长尾差距。图像模型无法实现正确的状态变化，而视频模型则存在时间不一致性。

技术栈

图像生成模型视频生成模型

资源

论文