WorldOdysseyBench：面向交互式世界模型长时程稳定性的开放世界基准测试

arXiv 2026 39.9 benchmark

TLDR

提出WorldOdysseyBench，评估交互式世界模型在动作、视觉、物理和记忆维度的长时程稳定性。

评分理由

Strengths include a comprehensive multi-dimensional benchmark with novel metrics and diverse real-world scenes; weaknesses are that the abstract does not detail specific model failures or limitations beyond moderate scores.

Read-first 评分解释

综合优先阅读分 39.9，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

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

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

引用影响力 18%

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。引用数：0

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：220。

关键词评分

interactive world model

world model

world dynamics prediction

world simulator

video world model

generative world model

model-based reinforcement learning world model

深度分析

创新点

逐帧动作度量，绕过跨模型语义尺度差异，揭示轨迹层面隐藏的失败
基于片段的漂移度量，捕捉起点与终点比较遗漏的非单调中期序列崩溃
基于可控性门控的评估，涵盖力学、光学和3D一致性，在忠实动作执行下对合理性进行评分
动作解耦记忆协议，通过过渡局部化3D点云重建评估场景记忆，通过跟踪加VLM推理评估主体记忆

方法

WorldOdysseyBench是一个包含600多个测试用例的基准测试，涵盖自然、城市和室内场景，第一/第三人称视角，WASD连续交互10-60秒。它在动作、视觉、物理和记忆四个维度上使用定制度量和协议评估交互式世界模型，并测试了10多个开源和闭源模型。

关键结果

没有评估的模型能可靠满足所有四个维度；即使最佳模型也仅获得中等分数。

资源

论文