关于防范世界模型“评测泡沫”、建立国家级基准评测体系的建议

       2026年以来，世界模型进入爆发期。昆仑万维董事长方汉在WAIC2026上明确判断“2026年为世界模型元年”，AI的核心命题正从“生成”转向“理解”与“交互”。国内头部企业估值破百亿，全球权威评测榜单WorldArena汇聚了李飞飞WorldLab、谷歌、斯坦福及国内智元机器人、北京人形机器人创新中心、高德、小米等几乎所有全球头部团队同台竞技。然而，评测标准与产业需求之间的错位日益凸显。

一、存在问题

       （一）评测维度偏重“视觉质量”，轻视“功能效用”。当前多数世界模型评测体系以视频生成质量为重心。WorldArena虽涵盖视觉质量、运动质量、内容一致性、物理遵循、三维准确性及可控性六大维度，但业界普遍反映，现有评测仍难以有效区分“生成好看视频”与“真正理解物理规律”两类模型。中国科学院工业人工智能研究所物理智能团队负责人徐凯指出，“衡量世界模型的性能，不仅要看模型预测的未来画面是否真实清晰，更要看其预测结果是否符合输入指令和物理规律”，在自动驾驶、工业制造等场景中，“轨迹准确性不仅是性能指标，更是安全指标”。然而，视觉质量容易量化、易于展示，天然成为评测的“低垂果实”，导致大量资源流向表面指标的优化，而动作因果、物理动力学等核心能力缺乏有效验证手段。

       （二）评测标准碎片化，“榜单登顶”缺乏统一基准。全球范围内，世界模型评测仍处于“各说各话”阶段。WorldArena、WorldModelBench、WorldPrediction、Apple-π等评测体系并行，各有侧重但缺乏互认机制。WorldArena由清华大学联合普林斯顿大学推出，侧重具身世界模型的全方位评价；南洋理工大学团队提出的Apple-π则是首个基于物理定律的评测基准，要求模型感知物理量、表述控制方程、推演后续运动，评测理念截然不同。在国内，同济大学“无界”模型在WorldArena视频质量赛道取得开源第一、闭源第二；中科院工业人工智能研究所PAIWorld以72.31总分登顶WorldArena，在轨迹准确性单项大幅领先亚军7.4分。这些成绩值得肯定，但不同榜单之间缺乏可比性，企业选择性参评、选择性宣传的空间较大，“赛道第一”的含金量参差不齐。

       （三）动作因果验证缺位，“会看”不等于“会做”。世界模型从“观看”走向“行动”的核心能力，恰恰是当前评测体系的盲区。一项针对开源动作条件世界模型的大规模评估显示，现有评测范式系统性掩盖了动作-运动因果关系中的结构性缺陷：随着控制变化幅度增加，模型生成的“动作-运动匹配度”出现系统性退化，在交互锚定和动力学建模方面存在基础性失效。该研究覆盖RoboTwin、ManiSkill、LIBERO三个机器人操作测试平台，超过18000个测试实例，结论直指一个关键问题：传统以视觉质量或任务成功率为中心的评估，未能隔离“给定一个动作，模型是否产生了与之一致的运动”这一最基础的能力。Apple-π的评测结果更为直接：即便是当前最先进（SOTA）的视频生成模型，在物理定律推理评测中也仅获得0.473的分数。这意味着模型能“画出”符合直觉的运动画面，但并未真正“理解”运动背后的物理规则。

       （四）“能读出信息”不等于“预测时使用了信息”。世界模型评测中一个更深层的困境是：如何判断模型在预测时真正使用了它所学到的物理知识，而非仅仅从训练数据中“记住”了相似场景的统计模式。CCF YOCSEF论坛上，专家明确指出世界模型的能力验证面临“内涵边界、观测度量和验证评估”等多重难题。当前评测多采用“输入-输出”比对方式，如生成视频与参考视频的特征分布距离、物理量数值误差等，但这些指标无法区分“基于因果理解的预测”与“基于模式匹配的模仿”。这类似于让一个学生做物理题，只检查最终答案是否与标准答案接近，而不考察他是否真正掌握了牛顿定律——答案碰巧正确，不等于理解了原理。

       （五）评测结果与产业决策之间存在“信任断层”。对行业用户而言，世界模型评测结果的可参考性不足。多项评测研究揭示，模型在评测基准上的表现与其在真实部署场景中的效用之间存在显著落差。企业用户在选型时面临“看得懂的指标不管用，管用的指标看不懂”的困境。更关键的是，当前评测缺乏对失败模式的系统性刻画——模型在什么条件下会失效、失效的严重程度如何、是否可恢复——而这些恰恰是工业部署中最重要的决策信息。Apple-π的研究团队指出，该基准的一个重要设计目标就是“定位推理在哪个步骤失败”，这种精细化诊断能力正是产业界所急需的。

二、对策建议

       （一）由主管部门统筹，构建国家级世界模型基准评测体系。建议由工业和信息化部或国家数据局牵头，依托国内已具备公信力的评测平台（如WorldArena等），整合高校、科研院所与头部企业力量，建设国家世界模型基准评测中心。评测体系应覆盖三个核心能力域：物理规律理解与遵循能力（含刚体动力学、接触交互、流体/软体形变等）、动作-结果因果一致性（给定动作指令，预测结果是否与之一致）、长时序稳定性与跨场景泛化能力。评测基准的建设遵循“物理定律锚定”原则，参考Apple-π等基于控制方程设计的评测思路，避免纯数据驱动的模式匹配式评测。

       （二）将评测结果纳入科研项目验收与产业政策支持的参考依据。当前世界模型领域的基础研究项目、产业化专项、首台（套）应用等政策支持，普遍缺乏统一的能力验证环节。建议在人工智能相关科研项目验收标准中，明确要求世界模型类项目须通过国家级基准评测的特定能力域门槛，方可认定为达到验收要求。在产业政策端，对申请“人工智能+”应用示范、具身智能场景验证等支持的企业，将其模型在国家级评测中的表现作为参考指标，引导企业从“刷榜竞争”回归“能力竞争”。对在物理规律遵循、动作因果一致性等核心维度表现突出的模型，给予优先支持。

       （三）建立“功能性效用”评测标准，强化动作-结果因果验证。建议在国家评测体系中单列“功能性效用”评测维度，重点验证模型作为“可交互仿真器”的可用性。具体包括：动作敏感性测试（给定不同动作指令，模型输出是否产生对应差异）、因果一致性测试（动作与运动之间是否保持物理合理的因果关系）、闭环控制可行性测试（模型能否支持策略在内部表征上的规划与评估）。此类评测应借鉴RoboTwin、ManiSkill、LIBERO等机器人操作测试平台的经验，将评测从“视频生成”层面下沉到“动作-状态-结果”的因果链条层面。

       （四）推动评测结果公开透明，建立“评测信用”机制。建议国家级评测中心定期发布标准化评测报告，公开各参评模型在核心能力维度的得分及失败模式分析。建立评测信用机制：对选择性报告、夸大宣传“赛道第一”“榜单登顶”的行为，纳入行业信用记录；对主动披露模型局限、提供完整评测数据的机构和企业，给予正面激励。同时，推动中国评测标准与国际主要评测体系的互认与合作，提升中国在世界模型评测领域的话语权。

       （五）鼓励“诊断式评测”工具研发，服务产业选型与安全部署。世界模型在自动驾驶、工业制造、医疗辅助等场景的应用，对可靠性和安全性要求极高。建议在国家科技计划中设立专项，支持诊断式评测工具的研发——不仅给出“模型行不行”的结论，更能回答“在什么条件下会失效”“失效后果有多严重”“能否通过冗余或监控机制弥补”等部署决策所必需的问题。此类工具应向产业界开放，降低企业选型和验证成本，加速世界模型从“能用”到“敢用”的跨越。

参考文献：1.WAIC2026丨昆仑万维方汉：2026是“世界模型元年”，三大产业预判锚定未来方向

https://www.cnfin.com/hg-lb/detail/20260720/4442747_1.html

2.中国科学院：我所自研世界模型PAIWorld登顶WorldArena榜单

http://iaii.cas.cn/kxyj/kydt/202606/t20260623_8232501.html

3.江苏一国家级人工智能研究所自研世界模型登顶权威榜单

http://www.js.gov.cn/art/2026/6/23/art_84322_11793235.html

4.State of World Models 2026 : Taxonomy, Benchmarks and Open Challenges