专题：World Model 评测 Benchmark 全景（2024–2026）
回答「world model 领域有哪些 bench」。按评什么分 6 类编目，每个标注测什么 / 谁用 / 链接 / 对我们的相关度。检索 2026-06-29。 关联评测口径见
../training/training_plan.md§3。
TL;DR
- 没有"唯一的 world model benchmark"——它按你在乎什么碎成几类：视觉质量 / 动作可控性 / 物理正确性 / 下游控制成功率。
- 2025 的关键发现：视觉好 ≠ 物理对。Physics-IQ 显示 Sora/Runway 等画面惊艳但物理动力学不及格。→ FVD 这类视觉指标必要但不充分。
- 对我们（游戏世界模型→机器人）：①游戏 WM 阶段看可控性 + 一致性 + 视觉；②机器人阶段下游任务成功率才是真指标（EWMBench/RoboWM-Bench/真机）；③多数还需自建 in-domain 评测（held-out 游戏：动作响应准确度 + rollout 一致时长），WHAM/Genie 都这么做。
A. 统一「世界生成」基准（最新，2025–26）
| Benchmark | 测什么 | 链接 | 对我们 |
|---|---|---|---|
| WorldScore | 首个统一「世界生成」基准；3,000 例（静/动、室内外、写实/风格化），三轴：可控性 / 质量 / 动态性，按相机轨迹分解为逐场景生成 | arXiv:2504.00983 · site | ★ 游戏 WM 的「可控性+动态」可借 |
| WorldModelBench | 把视频生成模型当 world model 评判；CVPR'25 workshop + 榜 | worldmodelbench.github.io | ★ 关注其指标体系 |
| WorldArena / 2.0 | 具身 world model 的感知 + 功能效用统一评测；2.0 扩 模态/功能/平台 | arXiv:2602.08971 · 2605.17912 | ★★ 偏具身/机器人，贴我们终点 |
| 4DWorldBench | 4D 世界生成 | （新） | 备注 |
B. 物理正确性 / 视频可信度
| Benchmark | 测什么 | 链接 | 对我们 |
|---|---|---|---|
| Physics-IQ | 396 真实视频，流体/固体力学等；测「能否物理正确地续帧」。SOTA 普遍不及格 | arXiv:2501.09038（+Verified 2606.18943） | ★★ 一针见血：别被画质骗 |
| VideoPhy / VideoPhy-2 | T2V 物理常识；V2=3,940 prompt、动作中心、5 分 Likert | arXiv:2503.06800 | ★ 物理合理性 |
| Physion / ++ / Eval | 物体碰撞/稳定性，预测结果 + 反推质量/摩擦 | 2603.19607 | ★ 经典物理预测 |
| PhyWorldBench / PhyGround / PhysicsMind | 更多物理写实评测 | 2507.13428 / 2605.10806 / 2601.16007 | 备选 |
C. 动作可控性 / 可交互世界模型
| Benchmark | 测什么 | 链接 | 对我们 |
|---|---|---|---|
| ACT-Bench | 动作保真度：给定轨迹，生成场景是否照做（自动驾驶域）；含 ACT-Estimator + TERRA 基线 | arXiv:2412.05337 · HF | ★★ 「给动作→画面是否照做」正是我们 WHAM 式核心评测的思路 |
| WorldSimBench | 视频生成模型当世界模拟器；人类偏好打分 + 感知/操作双评 | arXiv:2410.18072 | ★ |
| iWorld-Bench | 交互式世界模型 + 统一动作生成框架 | iworld-bench.com | ★ 最贴「可玩/可控」 |
D. 具身 / 机器人世界模型（我们的终点最该看这里）
| Benchmark | 测什么 | 链接 | 对我们 |
|---|---|---|---|
| EWMBench | 具身 world model：场景一致性(DINOv2) + 运动正确(HSD/nDTW) + 语义(BLEU/CLIP) + 多样性 | arXiv:2505.09694 | ★★ 机器人 WM 的代表评测 |
| RoboWM-Bench | 把生成行为转成动作序列、真机执行验证 | arXiv:2604.19092 | ★★ 「能不能真控制」闭环 |
| Genie Envisioner | 机器人操作的统一世界基础平台（含评测） | arXiv:2508.05635 | ★ |
| 下游机器人基准 | CALVIN（操作成功率）/ LIBERO（终身学习 4 套件）/ SIMPLER（真机策略仿真评）/ Meta-World / RLBench / ManiSkill | 各自官网 | ★★ world-model 策略最终在这些上比成功率 |
E. 模型基 RL（控制类世界模型经典基准）
| Benchmark | 测什么 | 谁用 | 对我们 |
|---|---|---|---|
| Atari 100k | 26 游戏、100k 交互步的样本高效 RL；DIAMOND 人类归一 1.46 | DreamerV3 / IRIS / STORM / TWM / DIAMOND | ★ 若在「梦里训策略」会用 |
| DMC（DeepMind Control） | 连续控制（proprio + vision） | Dreamer 系 | ★ |
| Crafter / Minecraft | 开放世界生存 / 从零挖钻 | DreamerV3（Nature 2025, s41586-025-08744-2） | ★ |
| Procgen / Craftax / Atari200M | 泛化 / 长程 | 各家 | 备选 |
F. 跨切指标（benchmark 用来打分的度量）
- 视觉/生成：FVD（Fréchet Video Distance）、FID、PSNR/SSIM/LPIPS（逐帧保真）、CLIP。
- 一致性：DINOv2 特征一致、时序一致性、rollout 漂移时长。
- 可控性：动作保真度（ACT-Estimator 式：从生成画面反估动作 vs 指令）。
- 物理：物理合理性评分（人评/判别器）。
- ★ 下游：控制/操作任务成功率、数据效率、规划速度——对机器人目标最诚实。
对我们路线图的取用
| 阶段 | 主看 | 自建补充 |
|---|---|---|
| Phase 2 游戏 WM（WHAM 式） | 可控性/动态（WorldScore 思路）、动作保真（ACT-Bench 思路）、FVD/PSNR；物理（Physics-IQ 抽样） | held-out 游戏评测：动作响应准确度 + rollout 一致时长 + behavior-policy 匹配 |
| Phase 3 隐空间/隐动作 | 隐动作可控性、表征探针 | latent rollout 区分好坏动作 |
| Phase 4 机器人 | EWMBench / RoboWM-Bench；下游 CALVIN/LIBERO/SIMPLER + 真机（V-JEPA-2-AC 式抓取/放置） | 零样本成功率 + 数据效率 + 规划速度 |
务实建议：别一上来追公开榜。Phase 2 先建自己的 in-domain held-out 评测（最能反映"在游戏数据上学没学到动力学"），公开 benchmark 用于对外可比性 + 物理/可控性抽查；机器人阶段再切到 EWMBench/真机成功率。
Sources（检索 2026-06-29）
- WorldScore arXiv:2504.00983 ｜ WorldModelBench https://worldmodelbench.github.io/ ｜ WorldArena 2602.08971 / 2.0 2605.17912
- Physics-IQ 2501.09038（Verified 2606.18943）｜ VideoPhy-2 2503.06800 ｜ Physion-Eval 2603.19607 ｜ PhyWorldBench 2507.13428
- ACT-Bench 2412.05337 ｜ WorldSimBench 2410.18072 ｜ iWorld-Bench https://iworld-bench.com/
- EWMBench 2505.09694 ｜ RoboWM-Bench 2604.19092 ｜ Genie Envisioner 2508.05635 ｜ Awesome-WAM https://github.com/OpenMOSS/Awesome-WAM
- DIAMOND 2405.12399（Atari100k 1.46）｜ DreamerV3 Nature s41586-025-08744-2 ｜ CALVIN / LIBERO / SIMPLER 各官网