视觉真实之外：清华WorldArena全新评测体系揭示具身世界模型的能力鸿沟
当生成式 AI 能够创造出以假乱真的视频，我们是否就离真正的具身智能不远了？答案可能并不乐观。
过去几年，视频生成模型取得了令人惊叹的进展。从光影细节到复杂动态场景，许多模型已经可以生成几乎无法用肉眼区分真假的画面。然而，当这些模型被真正放入机器人系统、让它们参与物理世界中的决策与执行时，一个令人尴尬的现实浮现：视觉上的逼真，并未转化为功能上的可靠。
当前的具身世界模型评测体系，大多仍停留在「视觉逼真度」的单维度比拼——谁的画面更清晰、更流畅，谁就被认为是更好的模型。但一个根本性问题被忽略了：这些能生成漂亮视频的模型，真的能支撑机器人在真实物理世界中稳定决策与行动吗？
这正是全新评测体系 WorldArena 试图回答并解决的核心命题。由清华大学、北京大学、香港大学、普林斯顿大学、中科院、上海交通大学、中国科学技术大学、新加坡国立大学等机构提出的 WorldArena，不再将评测局限于视觉表象，而是首次将视频生成质量与具身任务功能性打通，构建了一套从「看起来真实」到「真正可用」的完整评估框架。
论文标题：WorldArena: A Unified Benchmark for Evaluating Perception and Functional Utility of Embodied World Models
论文地址：
http://arxiv.org/abs/2602.08971
项目主页：
http://world-arena.ai
评测榜单：
https://huggingface.co/spaces/WorldArena/WorldArena
代码仓库：
https://github.com/tsinghua-fib-lab/WorldArena
从六个维度，重新定义什么是「好」的生成视频
为了系统化评估生成视频的质量，WorldArena 构建了 6 大核心维度，它们不仅关注视觉美感，更深入到了物理规律与空间智能层面。
WorldArena 在六个关键维度对世界模型生成质量进行全面评估
视觉质量
视觉质量是最基础的感知层评估，通过图像清晰度、美学评分以及 JEPA 表征相似性等指标，衡量视频在像素级别上的真实感与统计分布相似性。该维度主要回答一个问题：生成结果在视觉层面是否接近真实数据分布？
动作质量
动作质量维度关注时序上的合理性，通过光流连续性、运动强度分析与动作平滑性，评估视频中物体运动是否连贯、稳定、符合自然规律。一个模型即便能生成清晰帧，如果运动轨迹存在跳变或不连续，其物理可信度仍然不足。
内容一致性
真实世界中的物体不会凭空消失或形态突变。内容一致性维度通过追踪主体与背景在时间与空间上的稳定性，检测是否存在结构漂移、主体身份错乱或背景不连贯等问题。该维度强调的是「持续一致」的能力，这是支持长时序任务的前提。
物理遵循性
物理遵循性是连接视觉与功能的关键桥梁。WorldArena 特别评估视频中机械臂与物体的交互是否合理，运动轨迹是否符合基本动力学常识。换言之，模型不仅要「看起来像」，更要「运动得对」。这一维度直接关系到模型能否被用于实际控制与规划
3D准确性
具身智能离不开对三维空间结构的理解。3D 准确性维度通过深度估计误差与透视一致性，考察模型是否真正捕捉了场景的空间几何关系。若空间关系失真，即便二维画面逼真，机器人仍无法依赖该预测进行精准操作。
可控性
最后是可控性，这是生成模型走向实用的关键能力。该维度检验模型是否真正「听懂」指令，能否在语义层面准确响应用户输入，并在不同条件下生成具有区分度的结果。可控性不仅关乎生成质量，更关乎任务适应能力。
这六大维度共同构成了 WorldArena 对生成视频质量的全面画像，它们不再是孤立的指标，而是相互印证，共同指向一个目标：生成内容必须在感知、时序、物理、空间和语义层面都具备高度的真实性。
真正的考验：世界模型能否成为任务的执行者？
如果说视频质量评测是「体检」，那么具身任务功能性评估就是「实战演练」。WorldArena 的另一项核心突破，在于它首次将世界模型置于真实的任务执行场景中，从 3 个关键角色出发，拷问其真正的实用价值。
具身下游任务评测体系（数据合成引擎、策略评估器、动作规划器）
第一，作为数据生成引擎。
世界模型能否生成高质量的合成轨迹数据，用来训练下游的策略模型（如 VLA）？实验结果显示，部分模型确实能带来性能提升，但整体而言，合成数据质量仍显著落后于真实数据，多数模型尚无法为策略学习提供稳定可靠的增益。这意味着，想靠世界模型「无中生有」地创造训练数据，目前仍面临挑战。
以世界模型作为数据合成引擎，训练得到的VLA模型性能对比
第二，作为策略评估器。
世界模型能否准确模拟真实环境的动态，从而替代真实环境来评估不同策略模型的好坏？研究者训练了一系列能力不同的 VLA 模型，分别让它们在真实仿真环境和世界模型环境中「考试」，并对比两份成绩单的相关性。结果差异显著：有的模型（如 CtrlWorld）与真实环境的相关性高达 0.986，几乎可以以假乱真；而有的模型则表现平平，与其在视觉评测中的短板形成呼应。
基于世界模型和物理仿真环境的策略评估结果相关性
第三，作为行动规划器。
该任务将世界模型接入闭环控制系统，让它直接参与端到端的任务执行。实验发现，尽管一些模型能生成视觉上合理的未来预测，但在支持长时序、多步的闭环控制任务时，其性能与成熟的专用策略模型（如 Pi 0.5）相比仍有明显差距。它们在短期预测中或许表现良好，但在复杂的长期决策中容易「迷失方向」。
基于世界模型进行动作规划的任务性能对比
视觉真实不等于功能真实：一个必须正视的鸿沟
通过对 14 个当前主流世界模型的系统性评测，WorldArena 揭示了一个残酷的现实：视觉生成能力与任务执行能力之间，存在巨大的鸿沟。
许多模型能生成高度逼真的视频，但在复杂的物理交互、长时序的一致性以及稳定的策略支撑上，暴露出本质短板。为此，WorldArena 引入了统一的综合评分指标 EWMScore，将多维度的视频评测结果整合为一个可横向对比的分数。重要的是，EWMScore 与人类对视频质量的主观评估高度正相关，说明其在感知层面的有效性。
14 个世界模型EWMScore及不同维度指标对比
然而，当研究人员将 EWMScore 与具身任务性能进行关联分析时，一个更值得警惕的事实浮出水面：它与数据引擎任务的相关性为 0.600，与动作规划任务的相关性更是低至 0.360。这组数据清晰地表明：一个模型即使在视觉上获得了人类的认可，也绝不意味着它能有效支撑真实的具身任务。「好看」和「好用」之间，是当前技术必须跨越的一道坎。
EWMScore 与人类评估、具身下游任务性能相关性分析
WorldArena 的意义不仅在于提供一套新的指标体系，更在于改变研究者关注的焦点。从视觉生成竞赛，转向功能能力验证；从感知逼真度，走向物理理解与长期决策稳定性。
当世界模型的竞争不再局限于「谁更像电影」，而是「谁更懂物理、谁更稳健、谁更能支持真实决策」，具身智能的发展才真正进入新的阶段。
评测体系决定技术进化方向。WorldArena所提出的，正是一条通往实用具身智能的必要路径。