⌁ Awesome World Model Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

WorldArena：评估具身世界模型感知与功能实用性的统一基准

arXiv 26.2 2026 68.6 benchmark

TLDR

WorldArena基准评估具身世界模型的感知与功能实用性，揭示视觉质量与任务能力之间的差距。

评分理由

The paper introduces a comprehensive benchmark with multiple metrics and human evaluation, addressing a clear gap in evaluation. Strengths include systematic multi-dimensional assessment and a public leaderboard; weaknesses may include limited discussion of limitations or generalizability beyond 14 models.

Read-first 评分解释

综合优先阅读分 68.6，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 55。

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

方法质量 25%
80

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 42%
78.6

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 25%
30

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

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：141。

关键词评分

world model
10
video world model
9
interactive world model
8
world dynamics prediction
8
generative world model
7
model-based reinforcement learning world model
7
world simulator
6

深度分析

创新点

  • 用于评估具身世界模型感知与功能维度的统一基准
  • 三维评估框架：视频感知质量（六个子维度16个指标）、具身任务功能性（数据引擎、策略评估器、动作规划器，结合主观人类评估）
  • EWMScore，一个将多维性能整合为单一可解释指数的整体指标

方法

WorldArena是一个基准，通过三个维度系统性地评估具身世界模型：视频感知质量，使用六个子维度下的16个指标进行测量；具身任务功能性，评估模型作为数据引擎、策略评估器和动作规划器的能力，并结合主观人类评估。该基准包括对14个代表性模型的广泛实验，并引入EWMScore作为统一指标。

关键结果

实验揭示了显著的感知-功能差距，表明高视觉质量并不一定转化为强具身任务能力。

资源

论文

标签