WBench – 美团推出的交互式视频世界模型多轮评测基准

WBench是什么

视频世界模型领域，过去大家关注的是单帧生成质量，现在风向变了——能不能跟模型“玩”起来，才是真正的考验。美团LongCat团队推出的WBench，正是第一个系统性地评估交互式视频世界模型的多轮评测基准。它包含了289个测试案例和1058个交互轮次，覆盖自然、城市、幻想等6类场景与7种艺术风格。简单来说，WBench就像一台CT扫描仪，通过一个统一的交互接口，对20个前沿模型进行了深度“体检”，精准定位了模型从被动观看到主动交互的能力边界，也暴露出当前世界模型在多轮交互、导航控制和视角切换等维度上的核心短板。

WBench的主要功能

WBench的核心能力可以拆解成几个关键模块：

• 多维度世界定义
  ：它支持6类场景（自然、城市、室内、工作区、幻想、运动），7种艺术风格（写实、动漫、卡通、油画、水墨、扁平、素描），以及3种视角（第一人称、第三人称、具身第一人称）。这就给模型搭建了一个足够丰富的“考场”。

• 四类核心交互
  ：包括导航、主体动作、事件编辑、视角切换。这意味着模型不仅要能看懂世界，还得能基于指令“动”起来。

• 统一交互接口
  ：通过一个叫Action Router的模块，把文本指令、6DoF坐标和键盘动作，全部翻译成模型能够理解的标准化输入。这样一来，不管模型原生支持什么接口，都能被拉到同一张桌子上进行公平比较。

• 五维评测套件
  ：从视频质量、设定遵循度、交互遵循度、一致性、物理真实性五个维度进行量化评分。其中不乏Na vScore、Gated Spatial Consistency这种硬核指标。

• 多轮长程评估
  ：这也是WBench最独特的地方——它支持连续多轮交互，可以精确测量模型在长时间交互后的性能衰减情况。

WBench的技术原理

如果把WBench看作一台精密的测量仪器，它的工作原理可以归纳为三个关键词：

• 四大核心要素架构
  ：WBench遵循“世界定义 + 指令集 + 统一交互接口 + 评测套件”的框架。世界定义负责搭建测试场景；指令集提供标准化的动作描述；统一交互接口通过Action Router转译异构输入；评测套件则从五个维度输出量化指标，形成完整的评估闭环。

• 场景与交互解耦设计
  ：这里采用了“舞台与剧本分离”的思路——场景和交互各自独立配置，自由组合。这种解耦设计意味着，一旦某个模型表现失常，可以精准定位问题到底出在场景理解上，还是交互执行上。

• 多轮自回归反馈机制
  ：评测流程是自回归式的——每一轮的输出帧，都会作为下一轮的输入。这模拟了真实的交互场景。也正是通过这种方式，WBench才能检测到模型在长程交互中的错误累积效应。数据显示，模型的导航能力在多轮交互后平均下降了33个点，这可比单轮测试有说服力得多。

如何使用WBench

想把WBench跑起来，流程其实不复杂：先克隆GitHub仓库，安装好Python依赖，再从HuggingFace把包含289个测试案例和1058个交互轮次的数据集拉下来。接着，通过Action Router把待测模型接入统一交互接口，适配文本或动作输入协议。之后就是在配置文件中定义场景——选择场景类型、艺术风格、主体对象和观察视角。再从导航、主体动作、事件编辑、视角切换四类交互中组合测试动作。启用视频质量、设定遵循度、交互遵循度、一致性、物理真实性这五维评测指标后，就可以跑测试了。单轮测试用来获取模型的基础能力得分，多轮测试则启动自回归模式，看模型在长程交互中扛不扛得住。最后，批量配置多个模型并行跑相同测试用例，自动生成的雷达图与得分表会让结果一目了然。

WBench的核心优势

客观来说，WBench确实有几个很明显的优势：

• 首个多轮交互评测基准
  ：区别于传统单轮视频生成评测，WBench第一次系统性地评估模型在连续交互中的表现，填补了一个行业空白。

• 覆盖全面且解耦
  ：289个案例覆盖6大场景、7种风格、5类主体，而且场景与交互独立配置，可以精准定位模型短板。

• 统一接口兼容异构模型
  ：通过Action Router，无论是文本驱动模型（如Kling 3.0）还是专用世界模型（如HY-World 1.5），都能被公平地放在一起比较。

• 揭示关键行业洞察
  ：WBench的评估结果给出了几个相当有价值的结论——文本驱动模型擅长理解，专用世界模型擅长导航；视频质量与导航能力基本无关；多轮交互才是当前的核心难点。

WBench的项目地址

• 项目官网
  ：https://meituan-longcat.github.io/WBench/

• GitHub仓库
  ：https://github.com/meituan-longcat/WBench

• HuggingFace模型库
  ：https://huggingface.co/datasets/meituan-longcat/WBench

• 技术论文
  ：https://huggingface.co/papers/2605.25874

WBench的同类竞品对比

维度	WBench	WorldScore
定位	多轮交互式视频世界模型评测	世界生成统一评测基准
发布时间	2026-05	2025
案例规模	289 案例，1058 交互轮次	3000 案例
交互类型	导航、主体动作、事件编辑、视角切换	轨迹条件控制，无自由交互
多轮支持	原生多轮自回归评测，支持长程衰减分析	单场景/多场景序列，非交互式
统一接口	Action Router（文本/6DoF/离散动作）	统一世界规格（布局+语义）
评测维度	视频质量、设定遵循、交互遵循、一致性、物理真实性	可控性、质量、动态性
核心特色	多轮交互衰减诊断，场景与交互解耦	跨 3D/4D/I2V/T2V 统一评测
在线平台	离线评测套件 + HuggingFace 数据集	离线排行榜

WBench的应用场景

• 世界模型研发
  ：为视频世界模型（如Genie、Kling、Wan等）提供标准化评测工具，指导模型迭代优化。

• 导航与具身智能评估
  ：专门评测模型在虚拟环境中的导航控制能力，适用于机器人、自动驾驶等具身智能方向。

• 多轮交互产品测试
  ：帮助AI视频/游戏产品评估长程交互体验，比如虚拟世界探索、AI游戏引擎等。

• 学术研究基准
  ：作为学术界研究世界模型、交互式视频生成的基础评测框架，推动领域标准化。

• 开源 vs 闭源模型选型
  ：为企业和开发者提供客观数据，辅助选择适合特定交互任务（如导航或编辑）的模型方案。