Current World Models Lack a Persistent State Core
作者: Jinpeng Lu, Dexu Zhu, Haoyuan Shi, Linghan Cai, Guo Tang, Yinda Chen, Jie Cao, Duyu Tang, Yi Zhang, Yong Dai, Xiaozhu Ju
分类: cs.CV
发布日期: 2026-06-18
备注: 39 pages, 16 figures
💡 一句话要点
提出WRBench以解决世界模型缺乏持久状态核心的问题
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)
关键词: 世界模型 持久状态 WRBench 相机运动 事件演变 人工智能 基准测试
📋 核心要点
- 现有的世界模型在建模物理世界时，缺乏一个能够持续演变的内部状态，导致未观察时无法推进事件。
- 论文提出WRBench基准，通过将相机运动视为对可观察性的干预，系统评估生成世界的演变能力。
- 实验结果显示，当前模型在未观察时无法有效推进事件，强调了物理状态核心的稳定性的重要性。
📝 摘要（中文）
世界模型被视为实现人工通用智能的重要一步，但建模物理世界不仅需要生成逼真的画面，还需要一个不断演变的内部世界状态。现有基准测试忽视了这一点，主要关注表面特性如真实感和运动控制。本文提出了WRBench，这是第一个系统化的诊断基准，评估相机运动对可观察性的影响，并通过人类校准的链条来评估生成的世界是否在未观察时仍然持续演变。实验表明，当前系统在未观察时无法有效推进事件，强调了物理状态核心的稳定性和世界线的一致性应成为世界模型设计的首要目标。
🔬 方法详解
问题定义：论文要解决的问题是现有世界模型在未观察时无法有效推进事件，导致生成的世界缺乏持久的状态核心。现有方法主要关注表面特性，忽视了内部状态的演变。
核心思路：论文的核心解决思路是引入WRBench基准，通过系统化的评估链条，考察相机运动对世界模型可观察性的影响，从而评估生成世界的演变能力。
技术框架：WRBench的整体架构包括三个主要模块：相机运动干预、场景连续性评估和事件一致性检查。相机运动作为干预手段，评估生成场景在观察和未观察状态下的表现。
关键创新：最重要的技术创新点在于将相机运动视为对可观察性的干预，并通过人类校准的评估链条来系统性地评估世界模型的演变能力。这与现有方法的本质区别在于关注内部状态的持续演变，而非仅仅是图像的清晰度。
关键设计：在WRBench中，关键设计包括相机运动的参数设置、场景连续性和事件一致性的损失函数，以及用于评估的网络结构。这些设计确保了模型在不同控制范式下的稳定性和一致性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，在对比23种模型的9,600个视频中，当前系统在未观察时无法有效推进事件，表现为仅维持观察状态的跟踪镜头。这一发现强调了物理状态核心的稳定性和世界线一致性的重要性，推动了世界模型设计的研究方向。
🎯 应用场景
该研究的潜在应用领域包括机器人导航、虚拟现实和增强现实等。通过提升世界模型的演变能力，可以使智能体在复杂环境中更好地理解和预测事件的进展，从而提高其决策能力和适应性。未来，这一研究可能对人工智能的通用性和智能体的自主性产生深远影响。
📄 摘要（原文）
World models are increasingly regarded as a decisive step toward artificial general intelligence, yet modeling the physical world demands more than rendering convincing frames on demand: it requires an internal world state that keeps evolving over time, decoupled from observation, so that objects endure and events run to their conclusions whether or not a camera is watching, much as the moon holds to its orbit when no one is looking. This requirement is a blind spot of existing benchmarks, which reward surface properties such as fidelity, motion, and camera controllability while never asking whether a generated world keeps evolving once it is unobserved. We introduce \textbf{WRBench}, the first systematic diagnostic benchmark that treats camera motion as an intervention on observability and resolves evaluation into a human-calibrated chain that asks whether the camera executes the requested interaction, whether the scene stays continuous and identifiable while in view, and whether a returning target remains consistent with the event that was set in motion. Across 9{,}600 videos from 23 models spanning four control paradigms, one finding proves stubborn: current systems maintain the observed world as a tracking shot, resuming a returning target in the state at which it was abandoned rather than advancing the event while it went unseen. Because this failure recurs across control paradigms, model families, and increments of scale, robust world-state evolution does not follow from cleaner imagery, tighter control, richer geometric priors, or sheer parameter count We therefore argue that the stability of the physical state kernel and the consistency of worldlines under viewpoint intervention should become first-class objectives of world-model design, so that a world model captures how the world will unfold rather than how the next frame appears.