美团开源首个交互式视频世界模型评测基准WBench：精准定位模型边界

核心要点

• 首创性基准：美团LongCat团队开源了WBench，这是业内首个面向交互式视频世界模型的系统性多轮评测基准。
• 定位精准：该基准被定位为世界模型的“CT扫描仪”，能够精准发现模型在交互过程中的具体缺陷。
• 技术跨越：聚焦于衡量模型从“被动观看”模式向“主动交互”模式转变的能力边界。
• 开源贡献：通过开源方式，美团为全球AI社区提供了统一的交互式世界模型评估标准。

详细分析

从被动观看到主动交互的范式转移

在当前的AI发展路径中，视频生成模型正经历着从单纯的视觉生成向具备物理常识和交互能力的“世界模型”演进。传统的评测方式往往侧重于视频的画质、流畅度等“被动观看”指标，而忽视了模型在接收外部指令并作出逻辑一致反应的“主动交互”能力。美团LongCat团队推出的WBench正是为了填补这一空白。它通过系统性的多轮评测，深度挖掘模型在处理连续交互指令时的表现，标志着世界模型评估进入了动态、多维的新阶段。

WBench：世界模型的“CT扫描仪”

美团技术团队将WBench比作一台“CT扫描仪”，这一比喻深刻揭示了该基准的功能核心。在复杂的视频交互场景中，模型往往会在时空一致性、物理规律遵循或指令理解上出现偏差。WBench通过多轮交互的压力测试，能够像扫描仪一样透视模型的内部逻辑漏洞，精准定位模型在哪些环节“卡住了”。这种细粒度的诊断能力，对于开发者优化模型架构、提升交互真实感具有极高的指导价值。

行业影响

WBench的发布对AI行业具有深远意义。首先，它为交互式视频领域确立了标准化的度量衡，有助于加速具身智能、自动驾驶及虚拟现实等领域的技术迭代。其次，作为开源项目，WBench降低了中小团队开发和测试世界模型的门槛，促进了技术生态的繁荣。最重要的是，它引导行业关注点从“生成效果”转向“交互逻辑”，推动AI向理解真实物理世界的终极目标迈进。

常见问题

问题 1：WBench与传统的视频评测基准有什么区别？

传统的基准通常只关注单次生成的视频质量（被动观看），而WBench是首个系统性的“多轮评测基准”，专门衡量模型在多次连续指令下的“主动交互”表现和逻辑一致性。

问题 2：为什么将WBench称为“CT扫描仪”？

因为它不仅能给出评分，还能像医学CT一样精准地检测出模型在交互过程中的具体薄弱点，帮助研究人员定位模型在理解物理世界和执行交互任务时的边界与瓶颈。

问题 3：WBench的开源对开发者有什么好处？

开发者可以利用WBench提供的系统化工具，对自己开发的交互式世界模型进行深度体检，从而有针对性地进行技术改进，提升模型在复杂场景下的实用性。