走向共和
深度｜四张榜单，四种真相：WAIC 之后，世界模型到底该看哪个排名？_我的网站
一 | 7 月的上海，世博展览馆 H3 馆的过道比往年拥挤许多。 入口处停着宇树的载人变形机甲 GD01，观众排队坐进驾驶舱拍照。往里走，300 多台机器人真机散在 200 多家具身智能企业的展台之间，具身智能无疑是这届 WAIC 最具象的展品。而视频生成公司的展台就设在机器人公司隔壁，播放演示片的屏幕连成片：机械臂倒水，无人机穿林，虚拟角色转身。 NSJGY 逐梦追光 深圳大学学前教育专业 2021级学生实习感悟 深圳市南山区机关幼儿园，作为“广东省教育厅示范性教师教育实践基地”，一直是广东省学前教育专业学生的优质实践平台。 这学期，深圳大学学前教育专业2021级的六位本科生同学带着满腔热忱踏入了这片充满希望的土地，开启实习之旅，并在这里收获了满满的感动与成长。 不同公司的讲解员说着高度趋同的话：都在讲具身智能，都在讲世界模型。让我们一起回顾这段难忘的实习时光吧！ 实习前，她们心中满是复杂的情绪。紧张，因为即将面对一群活泼可爱的孩子；期盼，因为对在南山机关幼儿园的生活充满好奇；困惑，因为不知道自己能否胜任这份工作……带着这些心情，同学们踏进了机关幼儿园，期待在实践中寻找答案。 图：WAIC 2026 现场，宇树科技展台（来源：新蓝网） 穿梭在展台之间的投资人，面对诸多公司同样问着高度趋同的一套问题，核心聚焦在模型到底什么水平。但得到的答案却分别指向不同的东西。 一 启明：新光璀璨启未来 逐梦启航 01 新光璀璨，共绘蓝图 2024年9月9日上午，刘红丽园长、刘晓颖副园长、苏夏晓主任和深圳大学教育学部带队老师高淳海与深圳大学学前教育专业2021级本科生共同开展了“新光璀璨，共启未来”实习动员会。有人打开手机展示 VBench 排名，有人调出 RoboTwin 2.0 的任务成功率曲线，有人谈仿真到真机的迁移数据。 02 机幼生根，梦想启航 园内绿树成荫，户外活动场地设施齐全，工作氛围轻松又充满活力，班级走廊上，孩子们的画作和手工作品展示着他们的创意与童真，孩子们在老师的引导下快乐地学习和玩耍…… 一切都充满活力，一切都是闪闪发光的，温馨而充满挑战的园所深深吸引着大家，开始对接下来的实习生活充满了期待…… 二 逐光：旅程斑斓映童真 追光奋进笃行致远 01 区域活动：陪伴成长 左右滑动查看更多 02 自主户外：活力盈溢 在户外活动的时光里，同学们全心陪伴着孩子们游戏，见证着他们的欢声笑语。每一次的奔跑、每一次的攀爬，都是孩子们成长的足迹，也是她们实习成长的扎实脚步。同一个词，在不同的展台上被不同的数字定义。
二 | 当具身智能与世界模型成为显学，榜单便不再只是技术社区的内部排名，而成了行业理解技术路线的入口，在某种程度上，更成了话语权本身。
三 | 03 读书分享：智慧碰撞 十一月正值深圳读书月，园内书香弥漫，阅读氛围浓厚。 2024年11月29日下午，刘晓颖副园长、苏夏晓主任与六位实习生共同开展了“携一缕书香’阅’未来”读书分享感悟交流活动。 在活动中，同学们围绕《<3-6 岁儿童学习发展指南>解读》一书，结合在园所思所感，各自分享了对五大领域指标的理解与实际案例的感悟反思。 这些分享不仅展示了同学们对理论的深入理解，也体现了深大学前专业学生将理论应用于实践的能力，为幼儿的全面发展提供了有力支持。 一张拼图，三个榜单 2026 年以来，具身智能和世界模型几乎成了 AI 圈最热的两个词。 技术圈在讨论，视频模型到底能不能成为机器理解物理世界的路径。 刘副园长和苏主任均对同学们对本次读书分享会的认真准备和发言表达了肯定，鼓励同学们要带着所获得的知识和思考回到接下来的实践中去，慢慢形成自己的教育观和儿童观。 04 游戏开放：创意共融 深圳市游戏日开放活动是孩子们的欢乐盛宴，也是实习中的高光时刻。
四 | 在罗素民老师的指导下，她们和孩子们一起把看似无用的树枝摇身一变，成为了一件件富有创意美感的游戏装置。 05 亲子运动：欢乐同行 三 汇华：光华璀璨展硕果 新年逐梦星辰大海 01 携梦而至，满载而归 2025年1月2日上午，刘红丽园长、园内教师以及深圳大学教育学部带队老师高淳海，与深圳大学学前教育专业2021级的六位实习生共同开展了“携梦而至，满载而归”实习总结分享大会。 热情演唱《稻香》 《<3-6 岁儿童学习发展指南>解读》——读书分享活动 音乐公开课《猜猜我有多爱你》 02 心声逐梦，光映成长 黄卉盈： 从小中大班的轮班实习中，我逐渐认识到，教师要根据幼儿的身心发展特点进行游戏和活动。资本圈在讨论，下一代 AI 公司，能不能从“会说话的模型”走向“会理解、会预测、会行动的模型”。
五 | 面向各年龄段幼儿的工作重点各不相同，通过这次实习，我更加明白理论与实践结合的重要性。媒体圈的问题则更清晰、直白，当“世界模型公司”越来越多，到底该怎么看谁更强？ 然而时至今日，世界模型依旧没有一个统一的定义和衡量标准。 落到具体的评测上，世界模型目前还不是一种单一分数就能概括的能力，它更像一张尚未完成的拼图：视频质量、指令理解、时序一致性、物理规律、机器人执行、动作预测，每一项能力背后都站着一张榜单和一群拥趸。
六 | 那么，具身智能和世界模型到底该看哪些榜单？把这张拼图拆开，有三块版图绕不开：一张回答"像不像"，一张回答"懂不懂"，一张回答"动不动得了"。
七 | 黄美琪： 在机关幼儿园的每一天，我都被满满的爱意包围着。看懂它们，比看懂任何一场发布会都更接近行业的真实进度。
八 | 还有一块回答"准不准"，它是整张拼图的底座，值得单独一章。 VBench：回答"像不像" VBench 是目前视频生成领域最常用的评测体系之一，由南洋理工大学 S-Lab、上海人工智能实验室 OpenGVLab 等机构推出。
九 | 它从主体一致性、背景一致性、运动流畅度、美学质量等 16 个维度评价生成视频。心中有爱，脚下有光，未来，我将带着这份宝贵的实习经历，继续在学前的道路上坚定前行，像我的老师们一样，用笑容和爱意去温暖身边的每一个人。 它回答的问题很直接：模型生成的视频，像不像真实世界，是否符合用户输入。 在 VBench 1.0 认证榜中，头部模型集中在 84 分到 88 分之间，差距已经很小。 黄梓柔： 在实习期间，我最深刻的感悟是每个孩子都是独一无二的，成长速度和方式各不相同。而当孩子们被赋予选择决策的权利时，他们会更加投入。于是 VBench 在 2025 年推出 2.0 版本，将评测范围扩展到人类保真、物理、可控性、常识等维度，开始关注那些决定真实感、却容易被忽略的问题。这些经验都促使我在接下来的学习工作中深入思考如何尊重儿童成长的个体差异性，及如何培养孩子的学习自主性。 根据其 HuggingFace 官方榜单的认证视图，主要名次如下： 图：VBench-2.0 榜单：Veo 3 以 66.72% 居首（来源：HuggingFace Vchitect/VBench_Leaderboard，2026 年 7 月截图） 但 VBench 仍主要评价视频结果。 魏莞淇： 在南山机关幼儿园，师幼关系融洽，老师之间的关系也很和谐。画面可以逼真，模型却未必理解画面背后的规律。 WorldModelBench：回答"懂不懂" 如果视频生成模型被称为“世界模型”，它就需要接受更严格的检验。看到教室内外精巧的环境创设，往往能体会到背后的老师们工作之艰辛。大家都在努力让幼儿园变得更好，这样的园所氛围让我非常向往。 2025 年，来自 UC Berkeley、UC San Diego、NVIDIA 和 MIT 的研究者推出 WorldModelBench，把模型放进物理和常识环境中测试。 周婧琳： “十年树木，百年树人”，在南山机关幼儿园实习的这段日子里，我深刻体会到了这句话的内涵。教育是一项漫长而需要极大耐心的工程，需要我们沉下心来，用心呵护每一个孩子的成长。这段经历让我更加珍视教育的意义，也坚定了我投身教育事业的决心。 该评测覆盖机器人、驾驶、工业、人类活动等 7 大领域，包含 350 条提示词和 6.7 万条人工标注，从指令遵循、物理规律、常识三个维度打分。 陈思敏： 在实习中，我在师幼互动中坚持“爱心”和“真诚”，跟孩子们做朋友。过程中我也逐渐发现在教育时“真诚”力量的强大，让我能够进入孩子的视角感知体会这个世界。非常感谢这份宝贵的经验，带给了我深刻体验理论和实践融合的机会。 四 熠辉：寄语深情映未来 奔赴前程发光发热 01 称赞连连，寄望云天 园内老师们对实习生们的工作表现赞不绝口。其中物理遵循占总分一半。
十 | 一句句称赞不仅是对实习生们努力的肯定，更是对他们未来发展的美好寄望，希望这些未来的幼教工作者能在幼教的天空中展翅高飞。
十一 | 02 熠熠生辉，前程似锦 六位深大同学在幼儿园的实习即将结束之际，老师们纷纷留下寄语，希望这段实习经历能成为她们人生中宝贵的财富，熠熠生辉。 杨凡老师作为深大的师姐，看到同学们在实习和公开课期间努力解决问题，称“仿佛看到了曾经的自己”。 她希望在南山机幼学到的丰富实践知识，也能为同学们未来的职业综合发展打下基础。
十二 | 原因很简单：世界模型最重要的能力之一，是预测物体在真实世界中会如何变化。 高淳海老师对南山机幼充满感情，他看到这一届实习生们在期末汇报和上课时已经变得更加老练，也欣慰不已。 结果显示，即使表现最好的模型，也只有 61% 的视频正确完成指令；12% 的视频违反质量守恒，11% 出现物体互相穿透。 模型能生成一个看起来合理的世界，但距离真正理解世界，还有明显距离。 图：WorldModelBench 官网榜单（来源：worldmodelbench-team.github.io，2026 年 7 月截图） RoboTwin 2.0：回答"动不动得了" 世界模型终究要服务于行动，再往拼图下游走一格，机器人能否干活便成了一个很重要的维度。 RoboTwin 2.0 由上海交大 ScaleLab 与港大 MMLab 主导、上海人工智能实验室参与。 他强调，在机关幼儿园的这段经历是一个良好的开端，希望同学们珍惜这段经历，并将其转化为职业生涯中前进的动力。
十三 | 刘红丽园长在最后的总结会议中感慨万千，很高兴看到深大的同学们有所成长，作为能接力行业拔节成长的新生力量，朝气蓬勃。 她希望同学们作为准教师，继续保持良好的儿童观和教师观，未来在幼教领域发光发热，前程似锦！ 未来可期！ 责任编辑：黄卉盈 黄梓柔 黄美琪 周婧琳 陈思敏 魏莞淇 辅 稿：苏夏晓 终 审：刘红丽。它包含 50 个双臂协同操作任务，抓取交接、工具使用、可形变物体操作，跑在 SAPIEN 仿真器上，支持 Aloha-AgileX、ARX-X5、Piper、Franka、UR5 共 5 种双臂本体，配套一个 731 个实例、147 个类别的物体库，通过 Easy 和 Hard 两种环境，测试机器人能否从仿真走向更复杂的真实世界。
十四 | 早期结果显示，在 Hard 设定下，多数方法成功率仍低于 20%。机器人能够完成特定任务，但距离稳定、泛化地完成任务还有很长距离。 图：RoboTwin 2.0 官方榜单（来源：robotwin-platform.github.io，2026 年 7 月截图） 三张榜单，三种能力，各自有发布机构和评分体系。
十五 | 没有一张榜单能独自定义世界模型，放在一起，他们才勾勒出一条从生成、理解到行动的能力链。但这个链条还缺少一个最关键的环节。
十六 | Physics-IQ：回答"准不准" 人类做很多动作时，会下意识在脑中预演结果。推一下杯子，它会滑多远，会不会翻倒；倾斜水壶，水会从哪里流出来；把两块磁铁靠近，它们会吸住还是弹开。
十七 | 机器人也需要这种能力。它必须根据眼前的状态，预测几秒后会发生什么，再决定下一步动作。
十八 | 视频世界模型经常在这里犯错。这类预测如果不准，后面的规划和执行都无从谈起。 测量这一底座能力的基准叫 Physics-IQ，由 Google DeepMind 与 INSAIT 联合推出，论文发表于 WACV 2026。 2026 年 6 月，原团队联合 Anates Labs 发布修正版 Physics-IQ Verified，修正了 57.6% 的样本标注问题，改用逐样本加权计分。 它的设计与前述榜单都不同：研究者真实拍摄了 66 个物理实验，覆盖固体力学、流体、光学、热力学、磁学五大类，每个实验 3 个机位、实拍 2 次，共 396 段 8 秒视频。模型只看前 3 秒，预测后 5 秒会发生什么，再与真实拍到的后续画面比对。4 项指标合成一个 0 到 100 的 Physics-IQ 分数，并用同一场景两次实拍之间的差异做归一化：真实世界自己重拍一次都不会完全相同，模型的预测就被拿来和这种自然波动比较。
十九 | Physics-IQ 考察的是更底层的问题，即这个模型是否真的理解物理。
| 这也正是图灵奖得主 Yann LeCun 多年来反复主张的观点，“AI 需要建立关于世界的内部模型，而不是只会生成内容”。他担任 Meta 首席科学家期间， Meta FAIR 便把 Physics-IQ 当作核心评测基准。
| 然而翻开 Physics-IQ 的官方榜单，排在第一的却并非 Meta 的模型，也不是英伟达投入重金的Cosmos，而是一个中国的视频生成模型。 2025 年 4 月 21 日，Sand.ai 的 Magi-1 以 56.0% 的得分上榜登顶。当时的榜首、Google 的 VideoPoet 只有 29.5%，Magi-1 几乎把这个数字翻了一倍。从那天算起，Magi-1 系在第一名的位置上坐了约 13 个月，中间只离开过三周。 这张表有三种读法。 看裸模型：前三名里有两个建立在 Magi-1 之上，Magi-1 的 56.0% 是 v2v 设定下的裸模型最高分，远高于 Sora 2 裸模型的 42.3%，Cosmos3-Super 裸模型的 59.7% 出自不同设定，两者不直接可比。
| 看增强系统：2026 年 5 月，英伟达最新发布的旗舰世界模型 Cosmos3-Super 加持 WMReward 后冲到 63.4%，短暂登顶约三周；6 月 17 日，基于 Magi-1 的增强系统以 64.5% 重回第一。
| 图：Physics-IQ 官方榜单：Magi-1 系居首，Sora 2 裸模型 42.3%（来源：physics-iq.github.io，2026 年 7 月截图） 再看修正后的新榜：2026 年 6 月发布的 Verified 版本上，Magi-1 24B 增强版 58.2 分排第一、裸模型 48.4 分排第二，Cosmos3-Super i2v 39.5 分，Sora 2 只有 26.5 分。 图：Physics-IQ Verified 修正榜（来源：physics-iq-verified.anates.ai，2026 年 7 月截图） 把两张榜单放在一起看，会出现一个反常识的画面。OpenAI 的 Sora 在 VBench 这类回答"像不像"的榜单上名次并不难看，到了 Physics-IQ 上，Sora 2 裸模型只有 42.3%，不足榜首 64.5% 的三分之二；Verified 新榜上只有 26.5 分，不及榜首 58.2 分的一半。 生成得逼真，和预测得准确，被证明是两回事。 把视频生成做成"预测下一个词" Magi-1 赢在哪里？论文给出的答案是架构选择。 当下主流的视频生成模型，Sora、Kling 等，走的都是扩散路线：一次性生成整段视频，所有帧同时去噪，彼此之间没有严格的时间先后。 而Magi-1 的做法更像语言模型预测下一个词：按时间顺序逐块生成，每块 24 帧，块内部用扩散去噪保证画质，块与块之间自回归衔接。
| 通过 block-causal attention，后来的帧不会影响过去的帧，过去一旦被写下，就不再被影响。 图：Magi-1 逐块自回归生成与块因果注意力示意（来源：SandAI-org/MAGI-1，arXiv:2505.13211） 这个架构天然更接近世界模型该做的事：根据世界的此刻，推演下一秒。它还带来几个工程上的特征：支持流式生成，视频可以边生成边播放；理论上可以无限长地续写下去。对世界模型而言，这意味着推演的时间跨度不受窗口限制，仿真可以一直进行，还可以逐块更换提示词，控制后续走向。 如果把关键词从“生成”换成“预测”，Magi-1 和 LeCun 主张的 JEPA 路线便有了一种理念上的深层呼应。LeCun 在 2022 年发表立场论文《A Path Towards Autonomous Machine Intelligence》，提出 JEPA 架构：不在像素空间预测世界，而在表征空间预测，主动忽略那些不可预测的细节。这条路线后来长成一个家族：I-JEPA、V-JEPA，再到 2025 年的 V-JEPA 2，用百万小时视频训练，其衍生版本可以做零样本的机器人规划。
| 图：Yann LeCun 在 2026 年 6 月巴黎 VivaTech 演讲（来源：La Ecuación Digital） 一个在像素世界里逐块自回归，一个在表征空间里做预测，虽技术方案完全不同，但都指向同一个判断，即能够预测物理世界变化是世界模型的必要条件。 尺子一旦出现，叙事便有了边界 在WAIC 的论坛上，"世界模型"被反复提起。
| 7 月 19 日的一场人形机器人与具身智能论坛，主题之一正是"标准体系不统一"。开幕当天有观察文章写道：通用世界模型正在成为人形机器人的新竞争壁垒。 竞争的坐标系确实在平移。
| 过去几年，视频模型的发布会比的是"像不像"：分辨率、时长、美学分。Physics-IQ 这类榜单的出现，把问题换成了"物理世界变化预测的准不准"。它的价值不在于新添了一张榜单，而在于把世界模型从一个抽象概念，拉回到具象的物理世界：杯子会怎么倒，水会怎么流，光会怎么折。这些东西没法靠话术修饰。坐标系的变化不会写在任何一场发布会的邀请函上，但它会决定下一年资本流向哪里、人才流向哪里。 榜单会迭代，名次会更替。但标准一旦确立，理解行业的方式必然会被改写，模糊的叙事也就有了相对清晰的边界。 尺子一旦有了，量出什么，就是什么。
Current article:http://tnba.chuaiguonengdonggai.buzz/news/20260826_32269.html
Published on:02:43:18