WorldExam：從外觀到內在反應性的世界模型評測基準
為何重要
這項基準測試的發布意義在於將世界模型（World Models）的評估標準從「視覺再現」提升至「因果推論」，指出當前多數生成式 AI 缺乏對非直接指令場景的邏輯回應能力。對開發者而言，若目標是開發具備自主判斷力的 Agent，則不能僅追求高畫質，必須重視模型在空間一致性與情境反應性上的表現。
可控視訊生成模型正被視為世界模型建置，但現有評測過於依賴視覺品質與明確指令，忽略了從場景狀態推論世界如何反應的能力。WorldExam 引入四層級診斷基準，以測試非顯式指令下的場景推論能力，並統一評估不同驅動模式的模型。評估包含 1,474 個案例、8 個專屬任務，並檢測了 20 個代表性模型的表現。