想象一段视频：宇航员在月球表面缓慢漫步，每一步都因低重力而悬浮片刻。再想象一段赛博朋克都市的街景，霓虹灯在雨水中倒映出扭曲的光带。世界模型（World Model）能生成这些画面——但它们真的"理解"了月球上的重力规律、雨水的反射原理吗？WBench 的测试结果给出了一个令人清醒的回答：大多数模型只是在模仿训练数据中的视觉模式，远未触及对世界运行规则的真正理解。
世界模型承诺了什么
世界模型的核心承诺是：从观察中学习物理规律，然后在新场景中泛化。如果模型真正理解了重力，它应该能在从未见过的星球上正确模拟下落轨迹；如果理解了光学，它应该能预测任意材质在任意光照下的反射。这和单纯"生成逼真视频"是两码事——逼真可以通过记忆训练数据中的模式实现，理解则要求模型在分布外（out-of-distribution）场景中依然做出符合物理的预测。
WBench 正是为区分这两件事而设计的。它不问"画面好看吗"，而是问"画面背后的物理对吗"。
WBench 怎么测
WBench 构建了一系列场景，从月球漫步到赛博都市，每个场景都嵌入了可验证的物理约束：
- 重力与运动：不同星球表面的落体速度、弹跳高度是否与重力常数一致。
- 光学与材质：镜面反射方向、折射偏移是否符合几何光学。
- 因果时序：事件的发生顺序是否遵循因果链（比如先有碰撞才有形变）。
评测不是让人类主观打分，而是用程序化指标量化偏差。比如，检测生成视频中物体的加速度是否偏离理论值超过某个阈值，或者光线反射角度与入射角度的差值是否超出容差。
关键发现：模仿的边界
WBench 的测试揭示了几个清晰的边界：
-
训练分布内的场景表现尚可，分布外迅速退化。模型在地球街道场景中能生成合理的行人运动，但把重力换成月球参数后，步态和落体速度明显偏离物理预期——模型倾向于"照搬"地球上的运动模式。
-
复杂因果链断裂。赛博都市场景中，雨水应该先落地再产生反射，但部分模型生成的视频里反射先于雨滴出现，或者反射图案与实际光源位置无关。模型记住了"雨天有霓虹倒影"的视觉模板，却没学会"倒影的位置由光源和地面几何决定"这一规则。
-
细粒度物理量偏差显著。即使画面整体观感合理，逐帧测量加速度、反射角等物理量时，数值偏差远超工程容差。这意味着世界模型目前的输出不适合直接用于需要物理精度的下游任务（如机器人规划、物理仿真预演）。
实践：用 WBench 思路搭建自己的物理一致性检测
即使你没有 WBench 的完整数据集，也可以借鉴其方法论，为自己的世界模型输出搭建一个轻量级物理一致性检测管道。下面是一个最小化示例，用 Python 检测生成视频中物体的垂直加速度是否与指定重力常数一致。
import numpy as np
from pathlib import Path
# 假设你已经从生成视频中提取了物体的逐帧 y 坐标
# 这里用模拟数据演示：月球表面自由落体（g = 1.62 m/s²）
GRAVITY_MOON = 1.62 # m/s²
FPS = 30
PIXELS_PER_METER = 100 # 像素到米的换算系数，需根据视频标定
TOLERANCE_RATIO = 0.15 # 允许 15% 的相对偏差
def extract_y_positions(video_path: Path, object_id: int) -> np.ndarray:
"""从视频中提取指定物体的逐帧 y 坐标（像素）。"""
# 实际项目中可用追踪工具（如 ByteTrack、SAM2）提取
# 这里返回模拟数据：月球自由落体，初速度为 0
t = np.arange(0, 2.0, 1.0 / FPS) # 2 秒视频
y_meters = 0.5 * GRAVITY_MOON * t ** 2 # 理论轨迹
return y_meters * PIXELS_PER_METER # 转换为像素
def compute_acceleration(y_pixels: np.ndarray) -> float:
"""从逐帧 y 坐标估算垂直加速度（m/s²）。"""
dt = 1.0 / FPS
y_meters = y_pixels / PIXELS_PER_METER
# 二阶差分估算加速度
velocity = np.diff(y_meters) / dt
accel = np.diff(velocity) / dt
# 取中段稳态加速度，排除首尾边界效应
mid = len(accel) // 3
return float(np.median(accel[mid: 2 * mid]))
def check_gravity_consistency(
video_path: Path,
object_id: int,
expected_g: float,
tolerance: float = TOLERANCE_RATIO,
) -> dict:
y_positions = extract_y_positions(video_path, object_id)
measured_g = compute_acceleration(y_positions)
deviation = abs(measured_g - expected_g) / expected_g
passed = deviation <= tolerance
return {
"expected_g": expected_g,
"measured_g": round(measured_g, 3),
"deviation_ratio": round(deviation, 3),
"passed": passed,
"message": (
f"加速度偏差 {deviation:.1%}，在容差 {tolerance:.0%} 内"
if passed
else f"加速度偏差 {deviation:.1%}，超出容差 {tolerance:.0%}"
),
}
# 运行检测
result = check_gravity_consistency(
video_path=Path("generated_moon_walk.mp4"),
object_id=0,
expected_g=GRAVITY_MOON,
)
print(result)
运行前需要修改的地方：
extract_y_positions需替换为实际的视频追踪提取逻辑，可接入 ByteTrack 或 SAM2。PIXELS_PER_METER需根据你的视频场景标定，不同分辨率和拍摄距离下数值不同。TOLERANCE_RATIO根据你的应用精度需求调整——机器人预演可能需要 5% 以内，粗略视觉验证 20% 即可。
你可以把这套检测扩展到反射角度、碰撞时序等其他物理维度，形成自己的 WBench 风格评测套件。
理解 vs 模仿：工程上的取舍
WBench 的结论并不意味着当前世界模型没有价值。模仿式生成在很多场景下已经够用——游戏背景视频、概念可视化、创意内容生产，这些场景不需要物理精度。问题出在把"画面逼真"等同于"物理可信"，然后把世界模型用在需要物理可信的场景中。
工程上的务实做法是：
- 明确下游任务的物理精度需求，选择匹配的模型或加后处理修正。
- 在部署前跑物理一致性检测，哪怕只是几个关键指标的自动化检查。
- 对分布外场景保持警惕，模型没见过的物理环境（不同重力、不同材质组合）是最容易暴露模仿边界的地方。
世界模型要真正从模仿走向理解，可能需要架构层面的突破——在生成管道中显式嵌入物理约束，或者从纯视觉训练转向多模态物理交互数据。WBench 至少给了我们一把尺子，量出了当前的距离。