假设世界：面向具身场景中通用世界模型的因果基准

arXiv 2026 64.8 benchmark

TLDR

提出一个因果基准，用于评估视频生成世界模型在物理干预任务上的表现，结果显示所有模型均显著失败。

评分理由

Strengths: novel causal evaluation benchmark with real-world data and taxonomy; weaknesses: limited to two domains (driving and manipulation), and results show poor performance but no analysis of why.

Read-first 评分解释

综合优先阅读分 64.8，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 58。

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%

87.6

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：0.87646789

主题相关性 29%

82.9

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

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、数据集

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：数据集

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：443。

关键词评分

world model

world simulator

video world model

world dynamics prediction

generative world model

model-based reinforcement learning world model

interactive world model

深度分析

创新点

使用配对提示（仅改变一个物理细节）的世界模型因果基准
包含四个组成部分（遵循性、物理一致性、环境保持、结果差异）的APEO评估框架
涵盖驾驶和操作领域的六种物理变量分类体系

方法

该基准包含319个提示对，基于nuScenes和DROID数据集的真实帧构建，并按六种物理变量分类。每个提示对使用APEO评分，该框架包含四个部分：视频对提示的遵循性、物理一致性、环境保持性以及正确的结果差异。评估了九个最先进的视频生成模型。

关键结果

没有模型在配对得分上超过52%，开源模型集中在28%附近。性能与干预的视觉显著性相关，而非物理可处理性：视觉细微的干预得分低至14.2%，而视觉显著的干预达到40.4%。

局限性

基准仅限于驾驶和操作领域以及六种物理变量
仅测试单变量因果干预，未涉及多变量或更复杂的变化
依赖于两个特定数据集（nuScenes和DROID），可能无法泛化到其他具身场景

资源

论文