视频世界模型离开一个场景再返回时，如果新画面与第一次访问高度相似，常被解释为“记住了”。阿里巴巴、同济大学、上海交通大学提出R2M-Bench，指出模型只要几乎不移动，也能得到漂亮的绝对相似度。
R2M-Bench为每次返回同时寻找两组对照：时间间隔相近但没有返回的长间隔帧，以及相邻时刻的短间隔帧。基准由100个参考场景、三种离开—返回轨迹组成300个实例，共评测7个动作条件视频模型。
高相似度可能只是画面没怎么动
绝对返回分数比较第一次访问帧和返回帧。若模型生成的视频整体运动缓慢、背景重复或动作执行失败，两帧自然相似，却不能证明模型在远离后恢复了场景内容。相反，一个真实移动较多的模型可能因为视角变化而得分更低。
论文把问题改成同一段视频内部的相对比较：返回帧是否比普通长间隔帧保留了更多第一次访问的信息，再用短间隔帧估计这段视频本身能达到的局部一致性上限。
图1：低运动可抬高原始相似度，R2M-Bench用返回、长间隔和短间隔三组帧进行校准。
三条轨迹覆盖直返、转向与闭环
基准包含原路返回、平移后转向返回以及绕一圈回到起点三种模板。系统根据动作轨迹检测首次访问与返回位置，再在同一生成序列中匹配时间跨度相近的非返回对照。
每个实例都评估外观保真、场景身份、物体身份、局部几何和持久状态。指标MemoryGain衡量返回相对长间隔基线的优势，NMR再用短间隔与长间隔之间的动态范围归一化，让不同模型的渲染稳定性更可比。
图2：三条轨迹分别测试原路返回、转向返回和闭环返回，颜色表示时间推进。
同一段视频里的三组帧各有作用
返回对检查模型是否恢复先前场景，长间隔非返回对测量一般时间稳定性，短间隔对提供局部一致性参考。三者必须来自同一条生成轨迹，才能减少提示词、场景难度和渲染风格带来的差异。
定性案例中，有些模型的返回帧看起来很像起点，但普通长间隔帧也同样相似，说明高分主要来自变化不足。另一些模型经历明显运动后仍恢复了物体与布局，相对指标会给出更高记忆增益。
图3：每行依次展示返回对、时间跨度匹配的非返回对和短间隔参考对。
NMR与人工判断相关系数达到0.547
七个模型的总体NMR与人工一致性判断的Spearman相关系数为0.547，95%置信区间为0.45至0.63。NMR与生成运动量的模型内相关幅度为0.072，低于原始返回相似度的0.207，说明相对校准削弱了“少动更高分”的捷径。
图4：人工评审从场景、物体、几何和状态等维度比较返回一致性。
0.547仍是中等相关，不能把指标当成人工判断的替代品。它更适合筛查和横向比较，模型若出现新型运动失败或画面复制行为，仍需回看片段确认。
扩展到可交互世界模型评测
代码已公开，下一步可以把相对校准加入更长路线、更多动作类型和带物体状态变化的交互任务。若模型打开抽屉、移动物体后离开，再返回时既要记住场景，也要保持操作后的状态，评测会更接近游戏和机器人应用。
部署侧还应同时记录动作完成度。一个画面记忆稳定、却无法按指令移动的模型不适合作为可控世界模拟器；把轨迹执行、视觉质量和返回记忆并列报告，才能避免单一指标再次形成新捷径。
相对指标也依赖轨迹中存在足够运动。如果整段视频完全静止，短间隔和长间隔参照会失去区分度。基准在报告NMR时因此需要同时给出有效返回数量、运动幅度和被过滤样本，防止模型通过不执行动作规避测试。
