WorldMark: A Unified Benchmark Suite for Interactive Video World Models
本文提出了 WorldMark，这是首个为交互式图像到视频世界模型提供统一场景、动作序列和控制接口的基准测试套件，旨在解决现有评估标准不统一导致的跨模型公平比较难题，并配套推出了包含 500 个测试用例的层级化测试集、模块化评估工具以及在线对战平台 World Model Arena。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
这篇论文介绍了一个名为 WorldMark 的新项目，你可以把它想象成是**“互动视频世界模型的奥林匹克运动会”**。
在深入细节之前，让我们先打个比方：
🎮 现状：一场没有统一规则的“乱战”
想象一下，现在有很多家游戏公司（比如 YUME、Genie、Matrix-Game 等）都在开发一种超级厉害的游戏引擎。这种引擎不仅能生成视频，还能让你像玩游戏一样，通过键盘（WASD 键）控制镜头移动、转身，甚至在这个虚拟世界里“巡逻”。
但是，目前存在一个大问题：
- A 公司说：“我的引擎最好！你看，我在我的地图里，用我的手柄，跑出了我的完美路线。”
- B 公司说：“不，我的更好！我在我的地图里，用我的语音指令，展示了我的神操作。”
这就好比让 F1 赛车手在 A 公司的赛道上跑，让足球运动员在 B 公司的球场上踢，然后大家互相吹嘘谁更厉害。因为地图不同、规则不同、甚至用的“语言”都不同，我们根本没法公平地比较谁的技术真正更强。
🏆 解决方案：WorldMark（世界标尺）
这篇论文的作者们（来自 Alaya Studio 等机构）决定搭建一个**“统一竞技场”**，这就是 WorldMark。它的核心目标就是：让所有模型在完全相同的条件下，做完全相同的事情，然后公平地打分。
WorldMark 做了三件大事：
1. 翻译官（统一动作映射层）
不同模型“听”不懂对方的语言。
- 有的模型只听得懂“文字描述”（比如“向前走”）。
- 有的模型只听得懂“手势参数”。
- 有的模型只听得懂“游戏手柄信号”。
WorldMark 就像一位超级翻译官。它定义了一套通用的“动作语言”（比如：W=前，S=后，A=左，D=右，L=左转，R=右转）。
- 当我们要测试时，我们只输入一套通用的"W 走 20 秒，然后 R 转 20 秒”。
- WorldMark 的翻译官会自动把这套指令，“翻译”成每个模型能听懂的“方言”。
- 结果：所有模型都在做完全一样的动作，在完全一样的场景里。
2. 题库（500 个测试案例）
为了全面考察，他们准备了一套**“超级题库”**，包含 500 个测试案例：
- 场景多样：有逼真的现实世界（城市、森林、室内），也有风格化的世界（像油画、像素风、赛博朋克）。
- 视角多样：既有“第一人称”（你眼中的世界），也有“第三人称”（看着角色背影的世界）。
- 难度分级：
- 简单：直走 20 秒。
- 中等：走一段，转个弯，共 40 秒。
- 困难：复杂的巡逻路线或 360 度旋转，持续 60 秒。
- 智能筛选：系统还会用 AI 判断这个动作在场景里是否合理（比如在一个狭窄的房间里，不会让模型一直“横着走”撞墙）。
3. 裁判组（评估工具箱）
以前大家只比谁画面好看。WorldMark 引入了三个维度的“裁判”：
- 画质裁判：画面美不美？有没有噪点、模糊？（像给照片打分）
- 听话裁判：模型听不听话？你说“右转”，它真的转了吗？还是偷偷往前跑了？（通过计算摄像机轨迹的误差来打分）
- 逻辑裁判：这个世界稳不稳定？
- 如果你转了一圈回来，墙还在原来的地方吗？
- 物体有没有突然消失或凭空出现（幻觉）？
- 风格有没有突然从“油画”变成“照片”？
🔍 他们发现了什么？（有趣的发现）
通过在这个统一竞技场上的比赛，作者发现了一些反直觉的真相：
“长得好看”不等于“脑子好使”：
- 有些模型（如 YUME）生成的画面极其精美，像电影一样，但如果你让它走一段路，世界就会崩塌，物体乱飞，逻辑混乱。
- 有些模型（如 Genie 3）画面可能没那么惊艳，但它构建的世界非常稳定，你走多远，世界逻辑都在线。
- 结论：画质和世界的稳定性，往往是两码事。
“听话”不等于“全能”：
- 有些模型对指令执行得非常精准（你让它转 90 度，它分毫不差），但画面质量很差，全是马赛克。
- 有些模型画面很好，但稍微转个弯，摄像机就晕了。
“第三人称”是目前的噩梦：
- 所有模型在“第一人称”（自己看）时表现都不错。
- 一旦切换到“第三人称”（看别人），很多模型就彻底懵了，摄像机乱转，角色和背景分离。这说明目前的 AI 还很难处理“看着别人在动”这种复杂的视角关系。
专业不对口：
- 专门在《我的世界》（Minecraft）里训练的模型，放到现实世界的照片里，表现一塌糊涂。说明它们只是死记硬背了方块，没学会真正的物理规律。
🚀 总结
WorldMark 就像是给 AI 视频生成领域立下了**“度量衡”**。
- 以前：大家各说各的，没法比。
- 现在：有了统一的试卷（500 个案例）、统一的翻译（动作映射）和统一的评分标准。
作者还开源了所有数据，并建立了一个在线竞技场（World Model Arena），任何人都可以上去让不同的模型“互殴”，看谁在同样的题目下表现更好。这标志着互动视频世界模型的研究，从“各自为战”迈向了“科学竞赛”的新阶段。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。