WBench：让世界模型"照CT"
2026年6月，美团LongCat团队开源了WBench——全球首个面向交互式视频世界模型的系统性多轮评测基准。WBench被团队形象地比作"CT扫描仪"，能精准定位世界模型在从"被动观看"到"主动交互"过程中的技术瓶颈，揭示当前世界模型能力的真实边界。
这一成果恰逢世界模型热度爆发的关键节点，回应了李飞飞、Yann LeCun等AI领袖长期力推的研究方向，也为Sora、可灵、Kling等视频生成模型的能力评估提供了更严格的标准。
什么是视频世界模型？
视频世界模型（Video World Model）是一类能够理解和模拟物理世界规律的AI系统。与普通视频生成模型不同，世界模型的目标不只是"画面好看"，而是能够：
- 预测：根据当前状态预测下一步会发生什么
- 交互：响应外部动作指令，生成合理的交互结果
- 保持物理一致性：重力、碰撞、光影等物理规律在时序中保持自洽
- 多轮推理：在多轮交互中保持场景状态的连贯记忆
世界模型被认为是通往具身智能（Embodied AI）和通用机器人的关键技术路径。
WBench的设计
规模与覆盖
WBench包含：
- 289个测试案例（场景多样，随机性强）
- 1058个交互轮次（每个案例平均3-4轮交互）
- 6类场景：自然环境、城市场景、室内空间、幻想世界、机械场景、生物场景
- 7种艺术风格：写实、卡通、游戏引擎渲染等
测试维度
WBench从三个核心维度评估世界模型能力：
- 物理一致性（Physics Consistency）：物体运动是否符合物理规律
- 交互响应准确性（Interaction Accuracy）：模型是否正确响应动作指令
- 时序连贯性（Temporal Coherence）：多轮交互中场景是否保持连贯
测试结果：世界模型仍有明显短板
对主流世界模型的测试揭示了几个共性问题：
- 物体持久性（Object Permanence）：物体被遮挡后重新出现时，外观和位置常常不一致
- 交互因果理解：对"推倒一个物体会导致连锁反应"等因果关系的处理不稳定
- 长时序退化：随着交互轮次增加，场景质量和一致性明显下降
- 幻想场景泛化：在训练数据中不常见的幻想世界场景表现更差
WBench的行业价值
为研究者
WBench提供了标准化、可复现的评测协议，使不同团队的世界模型可以在统一标准下公平对比，加速研究迭代。
为产品团队
视频生成产品（如可灵、Sora）可借助WBench识别物理一致性弱点，定向优化用户最在意的体验维度。
为具身智能社区
机器人和具身AI研究者可用WBench评估感知世界模型的基础能力，为机器人仿真训练环境选择提供参考。
美团LongCat的多模态技术矩阵
WBench是美团LongCat团队2026年6月密集发布的系列技术成果之一：
- LongCat-Next：原生多模态模型（视觉+语音+文本统一Token化）
- LongCat-AudioDiT：端到端TTS语音克隆
- WBench：交互式视频世界模型评测基准
- LARYBench：具身智能动作表征评测
- General 365：复杂推理能力评测（通过ACL 2026）
这一系列成果标志着美团已从互联网企业转型为具有全球影响力的AI研究力量。
总结
WBench的发布填补了交互式视频世界模型评测领域的重要空白。它不只是一套评测工具，更是对当前世界模型真实能力边界的一次诚实审视。对于视频生成、具身智能和机器人研究者而言，WBench提供了一把衡量"AI是否真正理解物理世界"的精密标尺。
❓ 常见问题
视频世界模型和普通视频生成模型有什么区别？
普通视频生成模型（如早期Sora）专注于生成视觉质量高的视频，但不要求理解物理规律；视频世界模型要求AI能够预测物体运动、响应交互指令、保持跨帧物理一致性，本质上是能模拟物理世界规律的AI系统，是具身智能的关键底层技术。
WBench评测结果如何获取？
WBench已在GitHub和Hugging Face完全开源，包含测试数据集、评测代码和排行榜。开发者可以直接运行评测脚本测试自己的世界模型，结果可提交至官方排行榜。访问美团tech.meituan.com可查看详细技术报告。
当前哪个视频生成工具世界模型能力最强？
根据WBench和业界普遍评测，OpenAI Sora和国内可灵AI（Kling）在物理一致性上表现相对较好，但在多轮交互和长时序连贯性上均有明显短板。WBench的价值就在于提供了标准化量化标准，避免仅凭主观视觉效果评判模型能力。