世界模型開始嚴測

世界模型正從概念展示走向嚴肅評測，近期陸續出現多個針對不同領域的專用基準，試圖以更嚴謹的方式檢驗這類模型對真實世界的理解程度。過去對影片生成模型的評估，多半聚焦在畫質好壞、畫面連貫性是否流暢，但這些指標往往只能反映模型輸出「看起來合不合理」，卻難以判斷模型是否真正掌握物理世界的運作規律。隨著世界模型逐漸從實驗室走向實際應用，學界與業界開始意識到，需要一套能從統計與因果層面進行衡量的新方法，於是各種面向特定任務的評測基準應運而生。其中，PAWBench 以「概率對齊」為核心，專門檢驗影片生成模型對真實世界動態的掌握程度。

這個基準的設計理念在於，傳統評測方式側重於視覺品質，卻忽略了模型輸出的機率分布是否與實際物理規律一致。舉例來說，一個模型可能生成一段畫面流暢、光影自然的影片，但在物體運動軌跡、碰撞反應或速度變化等細節上，卻與真實世界的統計特性存在顯著偏差。PAWBench 嘗試從統計層面分析模型內部對世界狀態的估計，進而判斷它是否真正理解世界如何運作，而非只是憑藉大量訓練資料拼湊出看似合理的畫面。這項基準的出現，意味著評測標準正從「看起來像真的」邁向「本質上符合真實規律」。在遊戲領域，則出現了名為 GameWAM 的動作模型評測基準。

與單純預測下一幀畫面的傳統影片模型不同，GameWAM 要求模型在理解遊戲場景變化的同時，必須同步輸出對應的鍵盤與滑鼠操作。這意味著模型不能只是被動地觀察畫面演變，還需要主動推導出玩家在當下最可能採取的輸入行為。這類測試能更具體地檢驗模型對互動環境的因果理解，因為在遊戲中，每一次操作都會引發畫面變化，模型若想做出正確的動作預測，就必須掌握「什麼原因導致什麼結果」的因果鏈條。這也讓 GameWAM 成為未來通用遊戲代理或自動化測試應用落地前的重要驗證工具，因為一個真正理解遊戲運作邏輯的模型，才有能力在複雜多變的虛擬環境中做出合理決策。

另一項值得關注的是 UrbanGround，這是一個鎖定城市智慧體的城市級基準，以香港為藍本進行虛擬復刻。該基準建構出高度貼近真實街道布局、交通規則與地標結構的模擬環境，要求智慧體在這樣的場景中執行導航任務。與過去較為簡化的模擬城市不同，UrbanGround 的設計目的是讓智慧體面對接近現實世界的複雜度，包括狹窄巷道、多層立交橋、行人穿越道與各種交通號誌，都是必須納入考量的因素。這樣的設定讓評測結果更具參考價值，因為能通過測試的智慧體，理論上也有機會應用於真實城市的各種服務。初步結果顯示，即便在如此完整的模擬場景中，遠距離導航依然是智慧體明顯的弱點。

當任務涉及長時間路徑規劃時，智慧體容易在過程中不斷累積細微誤差，起初可能只是偏離幾公尺，但隨著路線推移，這些小誤差會逐漸放大，最終導致偏離目的地。這類誤差累積的問題，反映的不只是定位技術的不足，更點出目前世界模型在空間記憶與長程推理上的瓶頸。一個具備完整世界模型的智慧體，應該能在腦中維持對環境的穩定表徵，即使遇到感知訊號暫時中斷或模糊的情況，也能依靠內部模型進行推斷；但從 UrbanGround 的結果來看，現有模型在這方面的能力仍有相當大的限制。這三個基準各自從不同面向切入，卻共同指向一個核心問題：世界模型究竟該如何被定義，又該如何被驗證？

PAWBench 從統計機率的角度出發，強調模型對物理規律的內在表徵；GameWAM 則以互動操作的預測來衡量因果推理能力；UrbanGround 更進一步，將場景拉到真實城市規模，考驗模型在長時間、多變量環境下的空間認知與決策穩定度。三者互補，構成了一套更立體的評測視角，也讓外界得以更清楚地看到世界模型目前的優勢與極限。從發展脈絡來看，世界模型的概念最早可追溯至人工智慧研究者對於「心智模型」的探討，主張智慧體若要具備靈活的決策能力，就必須在內部建立一個對外在世界的模擬機制。近年來，隨著生成式模型的爆發性成長，影片生成技術讓人們看到了世界模型的可能雛形，但多數展示仍停留在示範性質的階段。

如今，這些專用基準的出現，標誌著該領域開始進入「嚴測」時期，研究者不再滿足於欣賞模型生成的絢麗畫面，而是開始用科學方法檢驗模型對世界的理解是否真實可靠。對產業界而言，這類評測的價值同樣不容忽視。無論是自動駕駛、機器人控制、智慧城市管理，還是遊戲自動化測試，都需要一個對世界運作有深刻理解的模型作為核心。過去缺乏統一基準，各家模型的好壞難以客觀比較，也讓潛在應用方難以決定該採用哪一套技術。隨著 PAWBench、GameWAM、UrbanGround 等基準陸續建立，未來世界模型的發展方向將更加明確，哪些模型真正具備「理解」能力，哪些只是擅長生成華麗畫面的「模仿者」，將在這些嚴格的測試下無所遁形。

當然，評測基準本身也仍在摸索階段。以 PAWBench 為例，要如何定義「與實際物理規律一致」的機率分布，本身就涉及複雜的統計建模與物理知識；GameWAM 則面臨遊戲種類繁多、操作風格差異大的挑戰，同一套基準是否能涵蓋不同類型的遊戲，仍是值得探討的問題；UrbanGround 雖然以香港為藍本提供了極具真實感的場景，但單一城市的測試結果，是否能推論到其他城市的不同交通文化與街道格局，也需要更多研究來驗證。儘管存在這些待解的問題，世界模型的評測趨勢已經不可逆轉。從概念展示到嚴肅基準，代表這個領域正逐漸成熟的跡象，也反映出學者與工程師對「理解世界」這項任務的標準愈來愈高。

未來，當這些模型真正能在嚴格基準下穩定過關，或許也就是世界模型從研究論文走入你我日常應用的時刻。