近日，阿里巴巴集团旗下高德联合清华大学、北京大学、南京大学共同发布面向交互式世界模型的开放评测基准WorldRoam-Bench，该基准重点考察模型在真实漫游过程中的动作跟随、视觉质量、物理交互和记忆一致性。
当前，视频生成模型和交互式世界模型发展迅速，模型已经能够基于图像、文本或控制信号生成高质量动态场景。但在真实漫游任务中，一个可用的世界模型不仅要生成连贯画面，还需要在连续操作中稳定响应用户输入，在复杂场景中遵守基本物理约束，并在重访空间或持续观察主体时保持场景、结构和身份的一致性。
现有世界模型评测大多聚焦视频质量、整体轨迹或有限轮次交互，难以充分刻画开放域长时漫游中的真实失效模式。比如模型可能会出现最终轨迹看起来接近目标，却在过程中漏掉多个关键输入，或者在长时推理中出现画面漂移、结构退化、主体身份变化等问题。
WorldRoam-Bench针对上述问题重新设计了评测方式：它不只看模型“像不像一个世界”，更关注这个世界能否被稳定控制、是否遵守物理约束、能否在长时间交互中保持记忆一致性。
本次基准发布共包含600多个测试案例，覆盖第一人称和第三人称视角，以及室内、自然、城市三类开放域场景。评测通过10–60秒的连续WASD/IJKL交互，模拟真实漫游体验，并设置15个细分指标，衡量逐帧动作准确率、3D一致性、场景保持、幻觉率等能力。
目前，WorldRoam-Bench已评测10多个前沿交互式世界模型，并实现开源模型和闭源产品的全面覆盖，呈现行业整体能力分布。该基准还提供公开积分榜，用于持续追踪模型在世界漫游任务中的能力进展。
据介绍，评测设计围绕四个维度展开：
在动作跟随方面，WorldRoam-Bench不只评估最终轨迹是否接近目标，还会检查模型是否真实响应每一次控制输入。这一设计可以避免“轨迹看起来正确，但过程中多次漏响应”的问题被掩盖。对于交互式世界模型而言，逐帧动作响应比单纯的终点对齐更接近用户的实际体验。
在视觉质量方面，WorldRoam-Bench不只评估单帧画质和美学表现，还重点观察长时间生成中的漂移和退化，包括颜色变化、模糊累积、结构坍塌和局部细节损失。对于需要持续探索的世界模型来说，稳定性与即时画面质量同样重要。
在物理交互方面，WorldRoam-Bench覆盖碰撞、穿模、形变、地形跟随、重力、反射、阴影和3D一致性等现象，并通过可控性门控机制区分动作失败和物理失败。这样可以避免把“没有跟上控制”误判为“物理不一致”，也能更准确地诊断模型的真实短板。
在记忆能力方面，WorldRoam-Bench将记忆评估具体落到场景结构、空间布局、主体外观和状态的一致性保持上。它通过3D点云重建评估视频的幻觉率，并结合SAM2跟踪和视觉语言模型推理，评估第三人称场景中主体身份、结构与外观的保持能力。
WorldRoam-Bench当前结果显示，交互式世界模型仍处于快速发展且尚未收敛的阶段：没有任何一款模型能够在所有维度上同时领先，视觉质量、动作可控性、物理一致性和记忆能力之间存在明显阵营区分。这也说明，下一代世界模型的竞争将不再只围绕画面质量展开，而会进入长时稳定性、可控性、物理可信度和记忆一致性的系统竞争阶段。
WorldRoam-Bench致力于成为更具研究价值的世界模型评测入口，为研究者提供模型诊断工具、定位能力短板，也为产业界判断交互式世界模型的实用性提供参考。未来，WorldRoam-Bench将持续扩展场景类型、交互难度等方面基准，推动交互式世界模型走向高可用的全域开放阶段。
附WorldRoam-Bench项目页面：https://worldroam.amap.com/