7.8
深览指数
科技人人都是产品经理·Z Finance··AI 生成
四张榜单，四种真相：WAIC 之后，世界模型到底该看哪个排名？
文章以2026年WAIC大会为背景，系统梳理了当前衡量世界模型与具身智能能力的四张核心榜单：VBench（视频生成质量）、WorldModelBench（物理常识理解）、RoboTwin 2.0（机器人任务执行）和Physics-IQ（物理预测准确性）。作者指出，不同榜单回答不同层次的能力问题，且彼此不互斥。核心发现是，生成逼真（如Sora在VBench上的表现）与预测准确（如Physics-IQ上的低分）是两回事。文章通过Physics-IQ榜单上Magi-1的意外登顶，引出了架构差异（扩散 vs 自回归）对模型世界理解能力的根本性影响。适合对AI技术路线、模型评测体系有深度兴趣的读者，尤其适合在评估不同公司技术实力时作为参考框架。原文 ↗
核心观点
- ▍目前没有单一榜单能定义世界模型，VBench（画质）、WorldModelBench（常识）、RoboTwin（执行）、Physics-IQ（物理预测）四张榜单分别回答“像不像”、“懂不懂”、“动不动”、“准不准”四个层次的问题，拼在一起才构成完整的能力图景。
- ▍模型生成的视频“逼真”与对物理世界的“预测准确”是两回事：Sora 2在VBench上表现不错，但在Physics-IQ上裸模型得分仅42.3%，不足榜首Magi-1的2/3。
- 01VBench从16个维度评价视频生成质量，头部模型得分集中在84-88分，差距很小；2.0版本增加了物理、可控性等维度。
- 02WorldModelBench测试中，最好模型只有61%的视频正确完成指令，12%违反质量守恒，11%出现物体互相穿透。
- 03RoboTwin 2.0包含50个双臂操作任务，在Hard设定下多数方法成功率低于20%。
- 04Physics-IQ基于66个真实物理实验，模型只看前3秒预测后5秒，Magi-1以56.0%得分登顶，远高于Google VideoPoet的29.5%。
- 05Magi-1采用自回归逐块生成架构，按时间顺序预测，与扩散模型一次性生成所有帧的方式不同，更接近“预测下一个词”的逻辑。
- 06Physics-IQ Verified修正版榜单上，Magi-1 24B增强版58.2分排第一，Sora 2仅26.5分。
反方 / 局限
- — 文章虽然指出Physics-IQ是更底层的评测，但也承认其2026年6月发布的修正版修正了57.6%的样本标注问题，说明原始榜单存在数据标注偏差，其结论的可靠性仍有待验证。
- — Magi-1在Physics-IQ上的领先建立在特定评测设定（v2v）上，英伟达Cosmos3-Super在增强系统（WMReward）下得分更高（63.4%），说明不同设定下的排名不完全可比，榜首位置存在争议空间。
13 分钟 · 4 卡片 · 12 资料
读原文 →