WBench：面向交互式视频世界模型评估的全面多轮基准

arXiv 2026 68.2 benchmark

TLDR

WBench是一个多轮基准，用于评估交互式视频世界模型，涵盖五个维度，包含289个测试用例和22个自动指标。

评分理由

The paper addresses a clear gap with a comprehensive benchmark, validated against human judgments, and evaluates 20 models. However, the abstract does not detail the specific models or results, and the benchmark's generalizability may be limited by its predefined interaction types.

Read-first 评分解释

综合优先阅读分 68.2，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 49。

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%

85.7

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：0.85730805

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：有；数据：无；命中信号：代码、GitHub

主题相关性 29%

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

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、指标

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复现锚点

排序敏感性

稳定性：volatile；排名波动范围：418。

关键词评分

world model

interactive world model

video world model

world dynamics prediction

world simulator

generative world model

model-based reinforcement learning world model

深度分析

创新点

用于交互式世界模型评估的全面多轮基准
五个评估维度：视频质量、设定遵循、交互遵循、一致性和物理合规性
289个测试用例和1058个交互轮次，覆盖多样场景、风格、主体和视角
四种交互类型：导航、主体动作、事件编辑和视角切换
统一的导航控制，支持文本、6自由度位姿和离散动作输入
22个自动子指标，结合专业视觉模型和大规模多模态模型，并通过人工判断验证
对20个最先进模型的诊断性洞察

方法

WBench构建了289个测试用例，每个用例指定一个世界设定和一个多轮交互序列，覆盖多样场景、风格、主体、第一/第三人称视角以及四种交互类型（导航、主体动作、事件编辑、视角切换）。评估使用22个自动子指标，结合专业视觉模型和大规模多模态模型，所有指标均通过人工判断验证。该基准应用于20个最先进模型。

关键结果

在20个最先进模型中，没有单一模型在所有五个维度上表现强劲。研究提供了每个模型的特征优势、劣势和开放挑战的详细诊断性洞察。

技术栈

专业视觉模型大规模多模态模型

资源

论文代码