机器人没把布放进篮子，可能是抓取时掉了，也可能是一开始就抓错目标。两段执行最后都算失败，但改进方向完全不同。WorldFailBench要检验的，正是世界模型——根据动作生成后续画面的模型——能否复现机器人策略为何失败、在哪一步失败，以及什么场景变化会让成功转为失败。
研究覆盖LIBERO、RoboTwin模拟环境和G1人形机器人的真实操作，并测试了七个世界模型。它采用闭环评估：策略根据模型生成的新画面继续行动，像机器人每走一步都重新看路，因此早期偏差会改变整段失败轨迹。基准分别检查失败原因、失败阶段和失败边界。最值得警惕的是，在RoboTwin测试的边界条件对上，七个模型有95.2%的回答低估了真实成功率变化的幅度。换句话说，模型即使能猜中最终成败，也可能没看懂策略会在何种小变化下突然失灵。这说明，用生成视频替代昂贵实机评测之前，还需先验证它能否忠实重现失败过程。