深度｜四張榜單，四種真相：WAIC 之后，世界模型到底該看哪個排名？

7 月的上海，世博展覽館 H3 館的過道比往年擁擠許多。

入口處停著宇樹的載人變形機甲 GD01，觀眾排隊坐進駕駛艙拍照。往里走，300 多臺機器人真機散在 200 多家具身智能企業的展臺之間，具身智能無疑是這屆 WAIC 最具象的展品。而視頻生成公司的展臺就設在機器人公司隔壁，播放演示片的屏幕連成片：機械臂倒水，無人機穿林，虛擬角色轉身。

不同公司的講解員說著高度趨同的話：都在講具身智能，都在講世界模型。

圖：WAIC 2026 現場，宇樹科技展臺（來源：新藍網）

穿梭在展臺之間的投資人，面對諸多公司同樣問著高度趨同的一套問題，核心聚焦在模型到底什么水平。但得到的答案卻分別指向不同的東西。有人打開手機展示 VBench 排名，有人調出 RoboTwin 2.0 的任務成功率曲線，有人談仿真到真機的遷移數據。同一個詞，在不同的展臺上被不同的數字定義。

當具身智能與世界模型成為顯學，榜單便不再只是技術社區的內部排名，而成了行業理解技術路線的入口，在某種程度上，更成了話語權本身。

一張拼圖，三個榜單

2026 年以來，具身智能和世界模型幾乎成了 AI 圈最熱的兩個詞。

技術圈在討論，視頻模型到底能不能成為機器理解物理世界的路徑。資本圈在討論，下一代 AI 公司，能不能從“會說話的模型”走向“會理解、會預測、會行動的模型”。媒體圈的問題則更清晰、直白，當“世界模型公司”越來越多，到底該怎么看誰更強？

然而時至今日，世界模型依舊沒有一個統一的定義和衡量標準。

落到具體的評測上，世界模型目前還不是一種單一分數就能概括的能力，它更像一張尚未完成的拼圖：視頻質量、指令理解、時序一致性、物理規律、機器人執行、動作預測，每一項能力背后都站著一張榜單和一群擁躉。

那么，具身智能和世界模型到底該看哪些榜單？把這張拼圖拆開，有三塊版圖繞不開：一張回答"像不像"，一張回答"懂不懂"，一張回答"動不動得了"?？炊鼈?，比看懂任何一場發布會都更接近行業的真實進度。還有一塊回答"準不準"，它是整張拼圖的底座，值得單獨一章。

VBench：回答"像不像"

VBench 是目前視頻生成領域最常用的評測體系之一，由南洋理工大學 S-Lab、上海人工智能實驗室 OpenGVLab 等機構推出。它從主體一致性、背景一致性、運動流暢度、美學質量等 16 個維度評價生成視頻。

它回答的問題很直接：模型生成的視頻，像不像真實世界，是否符合用戶輸入。

在 VBench 1.0 認證榜中，頭部模型集中在 84 分到 88 分之間，差距已經很小。于是 VBench 在 2025 年推出 2.0 版本，將評測范圍擴展到人類保真、物理、可控性、常識等維度，開始關注那些決定真實感、卻容易被忽略的問題。

根據其 HuggingFace 官方榜單的認證視圖，主要名次如下：

圖：VBench-2.0 榜單：Veo 3 以 66.72% 居首（來源：HuggingFace Vchitect/VBench_Leaderboard，2026 年 7 月截圖）

但 VBench 仍主要評價視頻結果。畫面可以逼真，模型卻未必理解畫面背后的規律。

WorldModelBench：回答"懂不懂"

如果視頻生成模型被稱為“世界模型”，它就需要接受更嚴格的檢驗。

2025 年，來自 UC Berkeley、UC San Diego、NVIDIA 和 MIT 的研究者推出 WorldModelBench，把模型放進物理和常識環境中測試。

該評測覆蓋機器人、駕駛、工業、人類活動等 7 大領域，包含 350 條提示詞和 6.7 萬條人工標注，從指令遵循、物理規律、常識三個維度打分。其中物理遵循占總分一半。原因很簡單：世界模型最重要的能力之一，是預測物體在真實世界中會如何變化。

結果顯示，即使表現最好的模型，也只有 61% 的視頻正確完成指令；12% 的視頻違反質量守恒，11% 出現物體互相穿透。

模型能生成一個看起來合理的世界，但距離真正理解世界，還有明顯距離。

圖：WorldModelBench 官網榜單（來源：worldmodelbench-team.github.io，2026 年 7 月截圖）

RoboTwin 2.0：回答"動不動得了"

世界模型終究要服務于行動，再往拼圖下游走一格，機器人能否干活便成了一個很重要的維度。

RoboTwin 2.0 由上海交大 ScaleLab 與港大 MMLab 主導、上海人工智能實驗室參與。它包含 50 個雙臂協同操作任務，抓取交接、工具使用、可形變物體操作，跑在 SAPIEN 仿真器上，支持 Aloha-AgileX、ARX-X5、Piper、Franka、UR5 共 5 種雙臂本體，配套一個 731 個實例、147 個類別的物體庫，通過 Easy 和 Hard 兩種環境，測試機器人能否從仿真走向更復雜的真實世界。

早期結果顯示，在 Hard 設定下，多數方法成功率仍低于 20%。機器人能夠完成特定任務，但距離穩定、泛化地完成任務還有很長距離。

圖：RoboTwin 2.0 官方榜單（來源：robotwin-platform.github.io，2026 年 7 月截圖）

三張榜單，三種能力，各自有發布機構和評分體系。沒有一張榜單能獨自定義世界模型，放在一起，他們才勾勒出一條從生成、理解到行動的能力鏈。但這個鏈條還缺少一個最關鍵的環節。

Physics-IQ：回答"準不準"

人類做很多動作時，會下意識在腦中預演結果。推一下杯子，它會滑多遠，會不會翻倒；傾斜水壺，水會從哪里流出來；把兩塊磁鐵靠近，它們會吸住還是彈開。

機器人也需要這種能力。它必須根據眼前的狀態，預測幾秒后會發生什么，再決定下一步動作。視頻世界模型經常在這里犯錯。這類預測如果不準，后面的規劃和執行都無從談起。

測量這一底座能力的基準叫 Physics-IQ，由 Google DeepMind 與 INSAIT 聯合推出，論文發表于 WACV 2026。

2026 年 6 月，原團隊聯合 Anates Labs 發布修正版 Physics-IQ Verified，修正了 57.6% 的樣本標注問題，改用逐樣本加權計分。

它的設計與前述榜單都不同：研究者真實拍攝了 66 個物理實驗，覆蓋固體力學、流體、光學、熱力學、磁學五大類，每個實驗 3 個機位、實拍 2 次，共 396 段 8 秒視頻。模型只看前 3 秒，預測后 5 秒會發生什么，再與真實拍到的后續畫面比對。4 項指標合成一個 0 到 100 的 Physics-IQ 分數，并用同一場景兩次實拍之間的差異做歸一化：真實世界自己重拍一次都不會完全相同，模型的預測就被拿來和這種自然波動比較。

Physics-IQ 考察的是更底層的問題，即這個模型是否真的理解物理。這也正是圖靈獎得主 Yann LeCun 多年來反復主張的觀點，“AI 需要建立關于世界的內部模型，而不是只會生成內容”。他擔任 Meta 首席科學家期間， Meta FAIR 便把 Physics-IQ 當作核心評測基準。

然而翻開 Physics-IQ 的官方榜單，排在第一的卻并非 Meta 的模型，也不是英偉達投入重金的Cosmos，而是一個中國的視頻生成模型。

2025 年 4 月 21 日，Sand.ai 的 Magi-1 以 56.0% 的得分上榜登頂。當時的榜首、Google 的 VideoPoet 只有 29.5%，Magi-1 幾乎把這個數字翻了一倍。從那天算起，Magi-1 系在第一名的位置上坐了約 13 個月，中間只離開過三周。

這張表有三種讀法。

• 看裸模型：前三名里有兩個建立在 Magi-1 之上，Magi-1 的 56.0% 是 v2v 設定下的裸模型最高分，遠高于 Sora 2 裸模型的 42.3%，Cosmos3-Super 裸模型的 59.7% 出自不同設定，兩者不直接可比。

• 看增強系統：2026 年 5 月，英偉達最新發布的旗艦世界模型 Cosmos3-Super 加持 WMReward 后沖到 63.4%，短暫登頂約三周；6 月 17 日，基于 Magi-1 的增強系統以 64.5% 重回第一。

圖：Physics-IQ 官方榜單：Magi-1 系居首，Sora 2 裸模型 42.3%（來源：physics-iq.github.io，2026 年 7 月截圖）

• 再看修正后的新榜：2026 年 6 月發布的 Verified 版本上，Magi-1 24B 增強版 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。

圖：Physics-IQ Verified 修正榜（來源：physics-iq-verified.anates.ai，2026 年 7 月截圖）

把兩張榜單放在一起看，會出現一個反常識的畫面。OpenAI 的 Sora 在 VBench 這類回答"像不像"的榜單上名次并不難看，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，和預測得準確，被證明是兩回事。

把視頻生成做成"預測下一個詞"

Magi-1 贏在哪里？論文給出的答案是架構選擇。

當下主流的視頻生成模型，Sora、Kling 等，走的都是擴散路線：一次性生成整段視頻，所有幀同時去噪，彼此之間沒有嚴格的時間先后。

而Magi-1 的做法更像語言模型預測下一個詞：按時間順序逐塊生成，每塊 24 幀，塊內部用擴散去噪保證畫質，塊與塊之間自回歸銜接。通過 block-causal attention，后來的幀不會影響過去的幀，過去一旦被寫下，就不再被影響。

圖：Magi-1 逐塊自回歸生成與塊因果注意力示意（來源：SandAI-org/MAGI-1，arXiv:2505.13211）

這個架構天然更接近世界模型該做的事：根據世界的此刻，推演下一秒。它還帶來幾個工程上的特征：支持流式生成，視頻可以邊生成邊播放；理論上可以無限長地續寫下去。對世界模型而言，這意味著推演的時間跨度不受窗口限制，仿真可以一直進行，還可以逐塊更換提示詞，控制后續走向。

如果把關鍵詞從“生成”換成“預測”，Magi-1 和 LeCun 主張的 JEPA 路線便有了一種理念上的深層呼應。LeCun 在 2022 年發表立場論文《A Path Towards Autonomous Machine Intelligence》，提出 JEPA 架構：不在像素空間預測世界，而在表征空間預測，主動忽略那些不可預測的細節。這條路線后來長成一個家族：I-JEPA、V-JEPA，再到 2025 年的 V-JEPA 2，用百萬小時視頻訓練，其衍生版本可以做零樣本的機器人規劃。

圖：Yann LeCun 在 2026 年 6 月巴黎 VivaTech 演講（來源：La Ecuación Digital）

一個在像素世界里逐塊自回歸，一個在表征空間里做預測，雖技術方案完全不同，但都指向同一個判斷，即能夠預測物理世界變化是世界模型的必要條件。

尺子一旦出現，敘事便有了邊界

在WAIC 的論壇上，"世界模型"被反復提起。7 月 19 日的一場人形機器人與具身智能論壇，主題之一正是"標準體系不統一"。開幕當天有觀察文章寫道：通用世界模型正在成為人形機器人的新競爭壁壘。

競爭的坐標系確實在平移。過去幾年，視頻模型的發布會比的是"像不像"：分辨率、時長、美學分。Physics-IQ 這類榜單的出現，把問題換成了"物理世界變化預測的準不準"。它的價值不在于新添了一張榜單，而在于把世界模型從一個抽象概念，拉回到具象的物理世界：杯子會怎么倒，水會怎么流，光會怎么折。這些東西沒法靠話術修飾。坐標系的變化不會寫在任何一場發布會的邀請函上，但它會決定下一年資本流向哪里、人才流向哪里。

榜單會迭代，名次會更替。但標準一旦確立，理解行業的方式必然會被改寫，模糊的敘事也就有了相對清晰的邊界。

尺子一旦有了，量出什么，就是什么。