美团LongCat团队发布WBench：首个交互式视频世界模型多轮评测基准

核心要点

• 首个系统性基准：WBench是行业内首个专门面向交互式视频世界模型的多轮评测基准。
• 开源贡献：该项目由美团LongCat团队提出并已正式开源，旨在推动行业共同进步。
• 精准诊断功能：被喻为“CT扫描仪”，能够精准定位模型在交互过程中的具体技术卡点。
• 范式转移：关注点从视频的“被动观看”转向“主动交互”，探索世界模型的边界。

详细分析

从“被动观看”到“主动交互”的跨越

在当前的人工智能发展路径中，视频生成与理解正经历着从静态、单向输出向动态、双向交互的重大转变。美团LongCat团队推出的WBench正是这一转变的产物。传统的视频模型大多停留在“被动观看”阶段，即模型生成一段视频，用户仅作为旁观者。然而，真正的“世界模型”应当具备交互性，能够根据用户的输入或动作做出逻辑一致的反馈。WBench的出现，填补了如何衡量这种“交互能力”的空白，标志着行业开始深入探索世界模型在复杂交互场景下的表现上限。

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。在开发交互式世界模型的过程中，开发者往往难以察觉模型在多轮对话或连续动作反馈中究竟在哪个环节失效。WBench通过系统性的多轮评测机制，能够像医学影像设备一样，透视模型内部的逻辑缺陷。它不仅能告诉开发者模型“行不行”，更能精准地指出模型“哪里不行”，从而帮助研究人员定位从感知到执行过程中的具体断裂点，为后续的技术迭代提供明确的导航。

多轮评测机制的系统性意义

WBench的另一个核心特征是“多轮评测”。在交互式场景中，单次的反馈成功并不代表模型真正理解了物理世界的规律。通过多轮次的交互测试，WBench能够评估模型在长序列操作中的一致性、逻辑连贯性以及对复杂指令的遵循能力。这种系统性的评测方法，相较于碎片化的测试，更能反映出世界模型在模拟真实物理世界时的真实水平，对于构建高可靠性的AI系统具有重要的参考价值。

行业影响

WBench的开源对AI行业具有深远影响。首先，它为交互式视频世界模型确立了一套可量化的标准，结束了过去缺乏统一评估尺度的局面。其次，作为美团LongCat团队的贡献，它体现了企业级技术团队在基础研究领域的深耕，有助于加速全球开发者在世界模型领域的探索进度。通过精准定位技术瓶颈，WBench将引导行业资源更有效地投入到解决核心交互难题中，推动AI从简单的内容生成向复杂的环境模拟与交互进化。

常见问题

问题 1：什么是WBench？

WBench是由美团LongCat团队开发并开源的一个评测基准，专门用于系统性地评估交互式视频世界模型在多轮交互中的表现。

问题 2：WBench主要解决什么问题？

它主要解决当前世界模型在从“被动观看”转向“主动交互”过程中，难以精准定位技术瓶颈的问题。它通过多轮评测，像“CT扫描仪”一样找出模型在交互逻辑上的缺陷。

问题 3：为什么交互式能力对世界模型如此重要？

交互式能力是世界模型区别于普通视频生成模型的关键。只有具备了主动交互的能力，AI才能真正模拟并理解物理世界的运作规律，从而在自动驾驶、机器人协作等复杂现实场景中发挥作用。