把一个球从空中松开，AI 生成的视频可能很像实拍：球向下掉，碰地，再弹起来。但若逐帧测量，你可能发现它下落得太慢，反弹时机也不对。过去不少评测主要问“看起来真不真”；GAUGE 想问得更严格：画面里的物体，是否真的按现实中的速度、碰撞和形变运动？
GAUGE 是一个以真实实验测量为参照的诊断型基准。所谓诊断型，不只是给系统一个总分，而是把问题拆开，检查它究竟错在碰撞、摩擦、动量传递，还是材料形变。研究者用它同时检查两类系统：按数学规则计算运动的物理引擎，以及根据初始画面预测后续视频的世界模型——也就是让 AI 在“脑中”预演接下来会发生什么。
论文提供了相当完整的实验和评测设计，但所有结果目前都来自作者在 arXiv 发布的这一项研究，尚无材料显示已有第三方复现或同行评审确认。
先把现实世界量下来
GAUGE 收录 22 个受控任务族，覆盖刚体、柔性绳索、织物和三维可变形物体。场景从斜面滑块、弹跳球和牛顿摆，一直延伸到甩动布料、拉伸泡沫和弯曲悬臂梁。它们分别考察碰撞、摩擦、振荡、自接触与形变等过程。
关键不只是场景多，而是每个场景都有现实参照。研究团队用 16 台红外相机，以 180 Hz 记录实验；定位精度达到亚毫米级，处理后轨迹统一为 30 fps。每项评测任务采集 20 次独立真实实验。整套数据约含 1560 次动作捕捉试验，并附有测量不确定性。
团队还测量了物体尺寸、质量和密度，并通过斜面、碰撞、织物测试和拉伸实验，校准摩擦、恢复、织物刚度以及软体材料参数。换句话说，这把“尺”不只记录球去了哪里，也记录实验中的球、布和泡沫究竟是什么性质。
物理引擎也会偏科
研究者在其中 14 个任务族上测试 Isaac Sim 6.0.0、Genesis 1.12.0 和 Newton 1.3.0。场景使用实测初始状态和物理参数重建，其余设置保持默认，不针对单项任务调优。评测主要比较模拟轨迹与多次真实实验平均轨迹的差异，并允许通过动态时间规整（DTW——在不打乱先后顺序的前提下对齐快慢不同的两段运动）区分空间偏差和时间错位。
结果没有出现通吃各类任务的引擎。普通接触和滑动相对容易：Isaac Sim 在转盘任务中的归一化 RMSE 为 0.17，Genesis 在斜面滑块上的 RMSE 为 0.58。这里低于 1，表示模拟与现实平均轨迹的差异，小于真实实验自身的典型波动。
冲击和快速形变则明显困难。弹跳球任务里，即使最好的结果，RMSE 仍是现实波动基线的 15.63 倍。牛顿摆中，Isaac Sim 与 Newton 的归一化动量传递效率只有 0.20 和 0.26，Genesis 没有生成有效运行结果。
布料的“偏科”更突出。静态拉伸时，部分引擎的误差接近现实波动；到了快速甩布，表现最好的 Genesis，RMSE 也达到基线的 8.54 倍，Isaac Sim 则达到 128.26 倍。体积可变形物体的最佳结果同样大致高出相应现实基线一个数量级。一个引擎能算好缓慢弯曲，并不意味着它能算好快速、局部而复杂的形变。
会写对公式，不等于算对物理
世界模型的测试范围更窄。研究者只在 5 个刚体任务上评估 6 个模型：Cosmos3-Nano、Cosmos3-Super-I2V、Wan-2.2、Wan-2.7、Seedance 2.0 和 Genie 3。模型从同一张初始图和标准化文字提示生成未来视频，研究者再用 SAM3 分割并追踪物体，把像素运动换算成二维现实轨迹。
GAUGE 特意分开检查两件事：轨迹是否符合预期方程的形式，以及方程里的数值是否正确。比如自由落体的位移应随时间平方变化。模型可能画出一条形状正确的曲线，却把加速度算错，就像列对了解题公式，却代入了错误参数。
弹跳球实验正好暴露了这种差别。Cosmos3-Super-I2V 加入负向提示后，在衡量额外曲率的 QFI 指标上最好，但推断出的加速度仍不正确。Seedance 2 给出的加速度最接近实测值，却依然远低于重力加速度。
钟摆也类似。Wan-2.2 和 Genie 3 的振荡拟合度均达到 0.99，看上去很像周期运动；它们给出的周期却分别是 1.93 秒和 1.90 秒，而实测为 1.06 秒。最接近的 Wan-2.7 也要 1.83 秒，约长 73%。世界模型学到的可能只是“钟摆应该来回摆”，还没有掌握它应该以多快的节奏摆。
提示词也不是稳定的补丁。同一条约束不合理运动的负向提示，能把 Cosmos3-Super-I2V 在弹跳球上的 QFI 从 270.69 降到 12.50，却会把它在木质斜面滑块上的 QFI 从 13.61 推高到 569.36。效果取决于模型和任务，因此不能只挑一次有利生成来判断物理能力。
为什么这把尺值得关注
物理保真度问的不是画面漂不漂亮，而是运动是否与真实测量一致。这个区别对具身智能尤其重要：机器人若长期在错误的碰撞、摩擦或材料规律中训练，可能学会利用仿真瑕疵；到了现实环境，原本有效的策略就可能失灵。
GAUGE 的价值，正在于把“哪里不对”说得更具体。它显示物理引擎并非天然可靠，也显示生成式世界模型可以掌握方程外形，却错过加速度、动量和时间尺度。统一的现实实验基础，还让两类原本分开评测的系统有了可比较的诊断框架。
局限与未知
- 这还不是经过多方验证的行业统一尺度。现有结论只适用于论文测试的三款物理引擎、六个世界模型及所选任务，不能外推到全部系统。
- 世界模型目前只测了 5 个刚体任务，并依赖二维轨迹；布料和三维软体涉及深度变化、遮挡、自接触与分布式形变，尚未纳入同等评测。
- 材料和参数范围仍有限，流体以及流体与刚体、软体的耦合过程也不在当前版本中。GAUGE 更像一把刚开始刻度化的尺，而不是物理真实性已经有了最终答案。