中国科学院自动化研究所、香港中文大学、清华大学等团队发布WorldExam，用1474个案例评测20个可控视频与世界模型。没有一款模型同时覆盖大量任务并保持稳定高表现，画质好、指令完成度高，也不保证场景会作出合理反应。
团队把评测从外观一路拆到反应性：视觉质量、控制遵循、空间一致性和世界反应。最后一层专门检查输入没有明说的后果，例如主体接触地形后是否受环境影响，目标驱动行为是否符合当前场景。
论文图1：1474个案例覆盖相机、动作和语言三种控制接口。
三类模型擅长的事情不同
相机驱动模型擅长移动视角，却缺少让主体与场景动态互动的接口。动作驱动模型能更精确地控制角色，环境常像静态布景一样不响应。语言驱动模型更会生成互动结果，复杂控制指令的执行精度又较弱。
WorldExam因此没有把所有模型压进一个简单总分。八项任务分别落在静态场景和动态互动轨道，评测指标也根据控制方式调整，避免用相机运动能力替代物理互动能力。
论文图2：不同任务根据场景假设和模型接口分配到两条测试轨道。
反应必须来自当前场景
传统提示可以直接要求“角色跳过障碍”，模型只需复现文字中给出的结果。WorldExam会给出初始图像、控制信号和环境状态，再检查模型是否生成未被逐字说明、但由场景决定的合理后果。
论文图3：任务模板扩展成场景、控制输入和选项，候选初始图像还会经过人工筛选。
评测不只依赖视觉语言模型打分。主体控制和地形互动任务会恢复运动轨迹、估计水平面与位移，用几何量检查动作是否按要求发生，降低“画面看着差不多”带来的主观误判。
论文图7：分割与三维估计用于恢复主体轨迹，并检查其与地面的关系。
排名会受接口和任务集合影响
20个模型的能力分叉说明，当前“世界模型”仍包含多条不同技术路线。某款模型在语言交互上领先，不代表它支持精确动作控制；另一款相机模型画面稳定，也不等于能推演环境后果。
WorldExam是诊断型基准，不是对世界理解能力的一次终局认证。1474个案例无法覆盖开放世界，自动几何估计也会引入误差。更可靠的阅读方式是查看模型在哪一层失分，再判断它是否适合具体用途。
