TL;DR

在视频生成领域，我们不仅需要视觉上的“精美”，更需要物理上的“逻辑”。阿里巴巴大地图（AMAP）团队联合中科院、北航等机构提出了 Omni-WorldBench，这是第一个拒绝“花架子”、硬核测试世界模型交互响应能力的基准测试。它通过 1,068 个精心设计的 Prompt 和一套基于 Agent 的自动化评分系统，戳破了当前 SOTA 模型在因果推理和物理模拟上的“幻觉”。

痛点深挖：视频生成不等于“模拟世界”

当前的视频生成模型（如 Sora 等）虽然能产出极具视觉冲击力的影像，但在学术界看来，它们距离真正的“世界模型”还有代差。

• 维度缺失：现有的 VBench 等偏向视觉质量，而 WorldScore 偏向相机的 3D 几何一致性。
• 因果断裂：当给出一个“打碎杯子”的指令时，模型往往能画出破碎的瞬间，却难以维持碎片在空间中的逻辑延续性，或是无法处理交互动作导致的局部环境连锁反应。
• 难以量化：如何科学地衡量一个模型是否“听懂”了复杂的物理交互指令？这是一个长期存在的学术空白。

核心架构：Omni-WorldSuite 与三级交互

作者认为，交互的深度决定了世界模型的上限。为此，他们将交互分为三个层级：

1. Level 1 (Acting Object)：动作仅涉及主体。例如：人在草地上走动。
2. Level 2 (Object-to-Object)：物体影响另一个物体。例如：球棒击中棒球。
3. Level 3 (Global/Environment)：复杂的因果链，改变整个场景。例如：整理杂乱的房间。

图 1：Omni-WorldBench 概览。左侧为提示词套件的分级定义，右侧为基于 Agent 的评分流。

方法论：Omni-Metrics 与 AgenticScore

为了实现全方位评估，Omni-Metrics 引入了四个反映“交互忠实度”的核心指标：

• InterStab-L：长程稳定性，检查视频在经历一段动作后重回初始位置时，场景是否变形。
• InterStab-N：非目标区稳定性，如果你在挥拳，背景的房子不应该抖动。
• InterCov：动作覆盖率，利用 VLM 验证受影响实体是否产生了预期的语义响应。
• InterOrder：判别事件发生的先后顺序是否符合物理逻辑（如：必须先点火再起烟）。

最精妙的设计在于 AgenticScore：系统不再死板地对所有指标取平均值，而是通过一个 MLLM（多模态大模型）作为“主考官”，根据 Prompt 的侧重点（是看重相机控制还是看重物理因果）自动调整各项指标的权重。

实验战绩：谁才是真正的 4D 霸主？

研究团队对 18 个模型进行了大规模评测，包括 Wan 2.2、Cosmos、HunyuanVideo 等。

表 1：各模型在交互忠实度、视觉质量、可控性上的量化表现。

关键发现：

• IT2V (Image-to-Video) 展现潜力：相比纯文本生成，给模型一张初始帧（Image prompt）能大幅提升其交互稳定性。Wan 2.2 在多项指标上刷榜。
• 物理认知的缺失：在图 5 的对比中可以明显看到，某些模型在生成“强力投球”动作时，人体由于无法承载复杂的运动学逻辑，直接发生了“塌陷”和消失。
• 相机与动态的权衡：类似于 WonderWorld 这样的模型在相机控制（Camera Control）上拿到了近乎满分，但在处理非目标区域的稳定性（InterStab-N）上表现糟糕，说明模型在追求大幅度相机运动时，难以兼顾背景的物理静止。

图 2：Wan2.2 与 Matrix-Game2.0 在复杂物理动作下的表现差异。

深度洞察与总结

Omni-WorldBench 的出现标志着视频生成评估进入了 “因果时代”。

• 价值：它揭示了当前 SOTA 模型虽然能通过“补帧”骗过人的眼睛，但无法通过“物理一致性”骗过逻辑验证。
• 展望：未来的 4D 世界模型需要更紧密地耦合感知、动作与物理规律。对于机器人、自动驾驶等安全敏感领域，Omni-WorldBench 提供的这套评估框架将成为不可或缺的准入标准。

正如作者在结论中所述：“视觉保真度已成基操，交互响应才是未来。”