看一段 AI 生成的影片，人很容易发现汽车相撞后毫无反应，或物体转眼消失；但把这种“不合理”压成一个分数，往往说不清究竟错在哪。HarnessEval-W 想让评测系统像 Agent 一样办案：先理解场景，再拆分问题、调用检查工具，最后给出带证据的判词，而不只报一个排名数字。
最具体的一步是分工查证。遇到碰撞，系统会让不同子 Agent 追踪物体边界框、核对相交时刻并估算速度，再由上层 Agent 验证证据、汇总结论，形成可检查的“证据树”。作者将基准分为画面呈现、状态转变和长期延续三方面，共设置 330 个案例，评测 18 个代表性世界模型——世界模型会从初始场景连续生成未来，像播放一段它想象中的影片。作者称，其排序与人类偏好较为一致；不过论文摘录未披露具体一致率。真正值得注意的是评测观念的变化：当错误涉及物理、因果和状态延续，一个自动分数已不够，系统还得解释自己为何这样判。