对话清华商宇丨从生成视频到支撑行动，世界模型需要新的评测标准

在今天的 AI 叙事里，“世界模型”几乎成了通往具身智能的必经之路。 它被期待理解物理规律、预测环境变化，并为机器人决策提供依据。但一个尖锐的问题是：当一个模型能生成一段足够逼真的未来视频时，我们究竟该相信它真的理解了世界，还是只是更擅长复刻世界的表象？ 咬了一口的苹果会自动愈合，坠落的杯子在空中漂移——在具身智能的视角下，这种AI视频“感知与功能的断裂”无疑是致命的。 一个模型即便能生成 4K 分辨率的视觉幻象，如果它无法理解重力约束、因果关联与物体永久性，它就永远无法支撑机器人在复杂物理世界中的抓取、规划与交互。视觉真实不等于功能可用，这道长期被忽视的“裂缝”，正是当前视觉智能通往 AGI 的最大障碍。 CVPR 2026 正在释放一个明确的信号：计算机视觉（CV）与计算机图形学（CG）的传统边界正在模糊。视觉研究的主线正从单纯的“像素预测”转向对“世界动力学”的重建，世界模型不再仅仅满足于“看”，而是要构建一个具备物理一致性的内部沙盒。这意味着，下一代视觉智能必须跨越 2D 藩篱，去硬碰硬地解决因果律、重力与 3D 空间的拓扑逻辑。 这种转向，不仅标志着视觉研究正在从“图像处理”回归到“世界建模”，更核心的演进在于，世界模型正从“被动观测”转向“动作驱动”。 作为 CVPR 2026 备受瞩目的竞赛项目，清华团队提出的 WorldArena 恰逢其时。在论文《WorldArena: A Unified Benchmark for Evaluating Perception and Functional Utility of Embodied World Models》中，它审问的是模型作为“具身大脑”的真实含金量：能否作为可靠的数据引擎？能否充当精准的策略评估环境？能否在长程任务中保持逻辑的不漂移？ 它将会对过去世界模型评测沿用视频生成的逻辑——画面是否清晰、运动是否自然、结果是否逼真——进行重新审视。 但在具身场景中，“看起来像”远远不等于“用得起来”。一个模型即便能生成高质量视频，也可能无法支持机器人完成抓取、规划、交互和长程执行。换句话说，视觉真实与功能可用之间，存在一道尚未被充分正视的裂缝。 而 WorldArena，正是试图把世界模型从“