📖标题：HappyWorld-Bench
🌐来源：arXiv, 2609.24308v1

🛎️文章简介
🔸研究问题：现有的世界模型往往只注重生成画面的视觉质量，但它们在智能体进行探索、交互和修改时，能否保持状态一致性和响应准确性？
🔸主要贡献：论文提出了HappyWorld-Bench基准，通过统一的六层能力框架，系统评估视频、空间和具身三类世界模型在交互下的可靠性。

📝重点思路
🔸构建W1-W6层级能力框架：从基础的感知构建（W1）、交互式模拟（W2）、持久性记忆（W3），到可编程干预（W4）、可扩展共享（W5）及通用世界建模（W6），定义了衡量世界模型可靠性的标准。
🔸设立三大独立评估赛道：涵盖视频世界模型（测试时空连贯性）、空间世界模型（测试物理可用性与编辑一致性）和具身世界模型（测试机器人视角下的动作响应与状态保持）。
🔸结合人工与自动评估：建立HappyWorld-Arena平台进行人类A/B对比以获取Elo评分，同时开发针对行为正确性的自动化指标，全面捕捉主观偏好与客观缺陷。

🔎分析总结
🔸视频模型存在长程一致性漏洞：虽然头部模型如HappyOyster和Genie 3在视觉质量上表现优异，但在长时间 rollout 和场景重访时，物体身份和几何结构容易漂移，且对规则修改的响应不够精准。
🔸空间模型物理可用性不足：现有系统在物理放置准确率上最高仅达70.14%，编辑执行率约73.33%，许多模型生成的场景虽美观但缺乏有效的导航网格或物理支撑面。
🔸具身模型难以维持多步状态：在复杂的多步动作序列中，模型常出现初始状态未建立、中间状态丢失或最终目标未达成的情况；且对物理规则（如重力、摩擦力）改变的敏感度极低，几乎无法体现动力学变化。

💡个人观点
论文关注“世界真不真”，指出当前技术最大的痛点不是生成能力，而是交互后的状态保持和因果逻辑。