一段掷骰子视频看起来很真，不代表模型真的懂随机性。让它从同一画面反复生成，如果骰子总落在同一面，单条视频仍可能挑不出毛病，整体概率却明显不对。CaliBench要查的正是这一层：视频世界模型——根据当前画面生成后续变化的模型——给出的各种物理结果及其比例，是否接近真实规律。
研究者设计了九个结果分布已知的场景，包括骰子、纸牌、轮盘和高尔顿板，并把结果归为点数、花色、颜色或落点等直观类别。评测分开看两件事：视频能否产生清楚、可判定的结果；在可判定样本中，结果分布与参考分布相差多远。这样就能区分“画面坏到无法计分”和“画面像真的，但随机概率失真”。
作者测试六款图生视频模型后称，多数“场景—模型”组合存在显著失准，输出概率常集中在少数结果上；极端例子是 Veo 3.1 的骰子场景完全收缩到单一结果。表现也更多随场景变化，没有一款模型包揽九个场景。换句话说，世界模型会生成一种合理未来，还不等于它掌握了合理的未来分布。