当AI能拍出电影级画面，却连杯子都抓不稳：世界模型正经历“功能觉醒”
在人工智能领域，视觉生成能力长期占据着技术叙事的高地。无论是流畅的镜头运动，还是逼真的光影渲染，只要视频“看起来真实”，模型便容易获得掌声。然而，当这些精美画面被用于驱动机器人抓取物体、规划路径或与环境交互时，问题便暴露无遗——它们能拍出电影，却连最简单的物理动作都难以完成。
视觉幻象背后的功能真空
长期以来，世界模型的评测陷入了一种“视觉内卷”：研究者竞相提升生成视频的清晰度、流畅度与美学表现，仿佛只要画面足够逼真，模型就足够“智能”。但真实世界的运行逻辑远比电影复杂。机器人不会欣赏镜头语言，它需要理解重力如何作用、物体如何碰撞、动作如何连贯。一个看似完美的视频，可能完全违背物理规律，比如机械臂穿透桌面，或杯子在空中悬浮翻转。
WorldArena团队通过系统性实验发现，当前主流世界模型在视觉质量与任务执行能力之间的相关性仅为0.36。这意味着，一个在画质评测中得分极高的模型，在实际应用中可能几乎无法完成基础任务。这种割裂揭示了一个根本问题：我们一直在训练“视觉艺术家”，而非“世界理解者”。
从“像不像”到“能不能”：评测范式的彻底重构
WorldArena的突破在于，它不再将视觉表现作为唯一标尺，而是构建了一套“功能+视觉”的统一评测体系。其核心创新体现在两个层面：一是将视觉能力拆解为六个可量化维度，二是首次将模型置于真实具身任务中进行压力测试。
在视觉层面，评测不再依赖主观审美，而是细分为视觉质量、动作质量、内容一致性、物理遵循性、3D准确性和可控性六大维度。其中，物理遵循性与3D空间理解被提升至与画质同等地位。例如，模型必须准确呈现冰块浮于水面、杯壁凝结水珠等细节，才能证明其真正理解了物理世界。
更关键的是功能性评估。WorldArena将世界模型置于三个真实角色中检验：作为数据生成引擎，它合成的轨迹能否有效训练下游策略？作为策略评估器，其环境建模是否与真实物理引擎高度相关？作为行动规划器，能否闭环执行多步交互任务？结果显示，部分视觉表现平平但专注于动作条件建模的模型，在策略评估相关性上高达0.986，几乎媲美真实环境，而许多视觉高分模型则在任务中“溃不成军”。
EWMScore：让机器智能对齐人类感知
为了让评测结果更具可比性与实用性，WorldArena推出了EWMScore综合评分体系。该指标将多维客观数据统一映射为一个分数，更重要的是，它与人类主观评估高度正相关。这意味着，EWMScore不再是一个冷冰冰的学术指标，而是能反映真实人类感知的标尺。它让研究者得以直观判断：一个模型是否既“看起来真实”，又“用起来可靠”。
这一设计背后，是对AI发展路径的深刻反思。当视觉生成能力已逼近技术天花板，功能智能才刚刚起步。真正的世界模型，不应只是视觉的复制品，而应是物理规律的模拟器、动作逻辑的推理机。
开放共建：为具身智能建立“驾照考试”
WorldArena并非封闭的学术工具，而是一个完全开源、可复现、持续迭代的社区平台。从代码、数据到评测榜单，全部向公众开放。其目标不是制造又一个排行榜，而是为具身智能建立一套“驾照考试系统”——只有通过功能与视觉的双重考核，模型才具备走向真实世界的资格。
这场评测革命的意义，远超技术本身。它标志着全球AI研究正从“感知崇拜”转向“功能理性”。当模型能生成一杯“看起来很冰的可乐”，却不知道冰块会浮起、杯壁会凝水珠，它就仍然是视觉模型，而非世界模型。真正的智能，不在于模仿表象，而在于理解本质。
WorldArena的发布，或许预示着世界模型的“iPhone时刻”尚未到来。但这一次，我们终于拥有了衡量“真智能”的尺子。