你让 AI 生成一段“人向前走”的视频。画面很漂亮，人也确实往前走了。但如果前面有台阶，他仍像在平地上滑行；如果撞到箱子，箱子纹丝不动。这样的模型会拍视频，却未必理解这个世界该怎样回应动作。
WorldExam 正是要测出这层差别。它是一套评测基准——也就是统一的测试题、评分规则和对比流程。作者认为，当可控视频生成器被称为“世界模型”时，只检查画面是否逼真、指令有没有执行，已经不够。世界模型是环境变化规律的内部模拟器，真正关键的问题是：给它一个动作之后，它能否推断接下来应该发生什么。
这篇论文的所有结果目前都来自 WorldExam 作者自己的实验，尚无独立复现。下文的比较也不宜外推到所有模型。
从“照着画”到“自己推断后果”
可控视频生成，是让模型根据文字、动作或相机轨迹生成后续视频。过去的许多测试会问：镜头是否按要求向右转，人是否按指令向前走，提示里点名的结果是否出现。
问题在于，这些测试常把答案一并告诉模型。比如提示直接写“人撞到纸箱，纸箱倒下”，模型只需把指定结果画出来。WorldExam 刻意拿走后半句：它只要求人向前走，让模型根据初始画面自行判断，人会不会碰到箱子，箱子又该如何反应。
作者把这种能力称为“内在反应性”（Inherent Reactivity）。这是 WorldExam 提出的评测框架，并非业界已经统一的标准。它关注输入没有明说、但场景状态自然要求出现的后果。
论文列出的例子很直观：主体走上楼梯时，高度和步态应随地形变化；接近障碍物时，应发生接触、避让或受阻；进入另一个人的近身空间时，对方也应作出合理回应。模型不能只让受控主体动起来，还要让周围世界“接住”这个动作。
四层考试，八类题目
WorldExam 收录 1,474 个案例，分成八项任务，并把能力拆成四层。
第一层是 Visual Quality，即视觉质量：画面是否可信、稳定、美观。第二层是 Control Adherence，即控制遵循：相机或主体是否真的按输入行动。第三层是 Spatial Consistency，即空间一致性：镜头离开后再回到原处，场景的几何、外观和内容能否保持一致。
第四层才是重点：World Reactivity，即世界反应性。它包括五类题目：地形交互、物体交互、社会交互、物理反应和目标完成。前三层回答“视频有没有生成对”，第四层追问“这个世界有没有反应对”。
其中，目标完成不规定逐帧步骤，只给一个高层目标。例如，把三颗螺栓按高度排列。模型需要从画面里找对物体，忽略干扰项，自行决定先移动哪一颗，以及怎样一步步完成。这比复述一条详细操作指令更接近对环境的规划和执行。
测试案例也尽量避免把答案泄露给模型。用于动态交互的初始画面经过人工筛选：相关物体必须可见，空间布局必须允许事件发生，但画面不能已经展示待测结果。之后，系统再根据选中的图片校正人物、物体和空间关系。最终给模型的仍只有动作或目标，预期反应不会被明说。
三种模型，先把接口翻译成同一道题
不同世界模型接收的控制方式并不一样。camera-driven 模型读取相机轨迹；action-driven 模型接收类似键盘按键的离散动作；language-driven 模型读取自然语言提示。直接比较它们，像是让三名考生分别用方向盘、键盘和口头指令答题。
WorldExam 的做法是先把行为拆成“向前移动”“向右转”等原子控制单元，再翻译成各模型原生的输入形式。这样，三类模型面对的是相同的控制意图，而不是完全不同的题目。
它也没有强行做一个总榜。基准分成两条赛道：静态场景赛道测试相机控制和返回原视角，三类模型都可参加；动态交互赛道要求主体与环境发生可见互动，只比较接口兼容的 action-driven 和 language-driven 模型。目标完成则只适用于语言控制。这个设计避免把接口根本不支持的任务直接算成模型失败。
评分也按问题拆开。相机、主体和地形运动会先从视频中重建为三维轨迹，再检查方向、返回位置和高度变化。物体交互、社会交互、物理反应与目标完成难以只靠轨迹判断，因此论文使用 GPT-5.5 作为视觉语言模型裁判：它查看均匀抽取的 10 帧画面，逐项核对预先固定的清单。缺失、模糊、离开画面或无法验证的证据都算未满足。
漂亮和听话，都不等于懂世界
作者评测了 20 个代表性模型，观察到三种控制范式各有明显短板。camera-driven 模型更擅长相机控制，但其评测接口不支持动态交互；这描述的是接口与任务的适配范围，不能直接理解成模型绝对没有交互能力。action-driven 模型对主体控制更精确，却常让周围环境没有响应。language-driven 模型在交互任务上表现较好，但更难严格遵循复杂控制。
更重要的结论是：高视觉质量和显式指令履行，并不能保证内在反应性。被测模型中，没有一个同时覆盖广泛任务并持续保持强表现。换句话说，一段视频可以很好看，也可以把命令中的动作画得很准，却仍在动作与后果之间露出空白。
这正是 WorldExam 值得关注的地方。它没有再问“哪段视频最像真的”，而是把问题推进到“这个生成出来的世界是否真的会运转”。如果世界模型将来要承担预测、交互或目标执行，仅靠漂亮画面显然无法证明它理解了环境变化。
局限与未知
- 论文材料没有完整给出 20 个模型的名单、各任务分数和统计显著性，因此目前无法量化三类范式之间究竟差多少，也不能判断“代表性模型”的选择是否充分。
- 四类语义任务依赖 GPT-5.5 按 10 帧画面判分。论文说明了清单和失败规则，但现有材料没有提供裁判与人工判断的一致性结果。
- 1,474 个案例覆盖多种视角、主体和场景，但基准表现仍不等同于开放世界中的普遍能力。WorldExam 更适合作为故障定位工具，而不是给世界模型能力下一个总判决。