WorldModelBench：评判视频生成模型作为世界模型

arXiv 25.2 2025 64.5 benchmark

TLDR

提出WorldModelBench，通过物理一致性和指令遵循评估视频生成模型的世界建模能力，并利用人类标签微调评判器。

评分理由

Strengths include a novel benchmark addressing overlooked world modeling aspects like physics adherence, with large-scale human labels and an automated judger. Weaknesses: limited to video generation models and does not evaluate interactive or real-time decision-making.

Read-first 评分解释

综合优先阅读分 64.5，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%

86.7

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：2025

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

方法质量 25%

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

可复现性 25%

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：GitHub

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：293。

关键词评分

world model

video world model

generative world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

interactive world model

深度分析

创新点

WorldModelBench，一个旨在评估视频生成模型在应用驱动领域的世界建模能力的基准，重点关注指令遵循和物理一致性。
检测细微的世界建模违规，例如违反质量守恒定律的物体尺寸不规则变化，这些是先前基准所忽略的问题。
众包67K个人类标签以评估14个前沿模型，从而能够准确测量世界建模违规。
微调一个2B参数的评判器，在预测世界建模违规方面平均准确率比GPT-4o高出8.6%。
证明通过最大化评判器的奖励来训练与人类标注对齐，可以显著提升世界建模能力。

方法

WorldModelBench引入指令遵循和物理一致性维度来评估视频生成模型。作者众包了67K个人类标签以评估14个前沿模型，然后利用这些标签微调了一个2B参数的评判器来自动化评估，其准确率高于GPT-4o。

关键结果

微调后的评判器在预测世界建模违规方面平均准确率比GPT-4o高出8.6%（2B参数）。此外，通过最大化评判器的奖励来训练与人类标注对齐，可以显著提升世界建模能力。

技术栈

WorldModelBenchGPT-4o2B参数评判器67K人类标签视频生成模型

资源

论文项目