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

• 首创性基准：美团LongCat团队开源了WBench，填补了交互式视频世界模型系统性评测的空白。
• 多轮交互聚焦：该基准专门针对“多轮评测”，衡量模型在连续交互中的表现。
• 精准瓶颈定位：WBench具备“CT扫描”般的分析能力，能发现模型从被动生成到主动交互的卡点。
• 开源贡献：该项目已正式开源，旨在推动全球AI社区对世界模型边界的探索。

详细分析

填补交互式视频评测的空白

在当前的AI研究领域，视频生成模型正经历从简单的“视频创作”向复杂的“世界模型”演进。美团LongCat团队推出的WBench，是行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。传统的评测方式往往侧重于单次的、被动的内容生成质量，而WBench则将视角转向了“交互性”。这意味着模型不仅要能生成连贯的画面，还要能在多轮的指令或环境反馈中保持逻辑的一致性与响应的准确性。WBench的出现，为衡量世界模型在复杂动态环境下的理解与执行能力提供了标准化的尺度。

“CT扫描”式的技术诊断

美团技术团队将WBench比喻为一台“CT扫描仪”，这一比喻深刻揭示了该基准的功能核心。在世界模型从“被动观看”进化到“主动交互”的过程中，开发者往往难以察觉模型究竟在哪个环节出现了认知或生成的偏差。WBench通过系统化的多轮评测框架，能够深入模型内部的逻辑结构，精准定位技术瓶颈。无论是物理规律的违背、交互反馈的延迟，还是长序列逻辑的断裂，WBench都能像医疗影像设备一样，为开发者提供清晰的“病灶”报告，从而指明优化方向。

行业影响

WBench的开源对AI行业具有重要的里程碑意义。首先，它定义了交互式世界模型的新标准，促使行业研究重点从单纯的视觉真实感转向更深层次的交互逻辑。其次，作为美团LongCat团队的技术产出，它展示了企业级研究团队在处理长序列建模与复杂交互场景时的领先思路。通过开源这一工具，美团不仅为开发者提供了评估模型的“尺子”，更有望加速具备真实物理感知和主动交互能力的通用人工智能（AGI）的研发进程，推动赛博都市等复杂虚拟场景的构建走向成熟。

常见问题

什么是WBench？

WBench是由美团LongCat团队开发并开源的，首个专门针对交互式视频世界模型的系统性多轮评测基准。

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”模式向“主动交互”模式转变过程中，难以精准定位技术瓶颈和性能卡点的问题。

为什么称WBench为“CT扫描仪”？

因为它能够像CT扫描一样，通过系统性的多轮评测，精准地透视并定位模型在交互逻辑、视频生成及环境反馈中存在的具体缺陷。