上证报中国证券网讯（记者宋薇萍）近日，全球首个以真实执行为标尺的动作驱动世界模型评测平台WorldOracle正式发布，并向开发者开放评测提交。该项目由智元、NVIDIA、普林斯顿大学、得克萨斯大学奥斯汀分校、多伦多大学的研究人员联合完成，直击行业一直没有基准正面回答的问题：给定一组动作，模型预测的未来，和真实发生的过程，究竟差多少？

　　过去一年，世界模型生成的视频越来越逼真，但“像不像”和“真不真”是两回事。当世界模型被用作机器人的“预演沙盘”时，一次失败操作在模型里被预测成功，机器人就会系统性高估自己。此前的评测要么在仿真环境里跑，要么只考文本驱动的视频生成。WorldOracle把考场搬到了真机实录现场：预先采集真实操作的画面与动作序列，让模型在相同条件下开放回放生成预测，再与真实执行逐帧对照。真实操作里的抓空、掉落、洒水被完整保留——准确预测失败，同样得高分。

　　WorldOracle给这种“预测与真实执行的吻合程度”起名为“执行一致性”。一个可靠的世界模型，必须扛住三重压力测试：因果服从、分布迁移和时序耐力。研究团队横评了IRASim、Ctrl-World、DreamDojo、Cosmos 3、GE-Sim 2.0等7个代表性动作驱动世界模型，结果揭示出五个发现：

　　第一，机械臂会“演戏”，物体才是说谎者。所有模型无一例外出现巨大落差：机械臂的运动被精确复刻了，但它对世界造成的影响——水果有没有被抓走、毛巾有没有滑落——模型其实“没看住”。第二，120秒是多数世界模型的“记忆极限”。随着预测窗口拉长，衰减曲线触目惊心，短时预测的分数几乎不能用来预判长时表现。第三，动作跟得越准，越会掩盖结果的错误。空间对齐和物理结果正确是两种独立的能力，一个模型可以在所有视角里精确地撒同一个谎。第四，换了“司机”，成绩大幅跳水。由策略自主执行产生的动作带有人工操作中没有的犹豫、抖动和中途修正，部分模型成绩大幅下滑。第五，人手是当前世界模型的“绝对盲区”，即便表现最好的模型物体区域保真度也只有15.2分。

　　据悉，WorldOracle的考题全部来自真机实拍，包含335条评测轨迹，约40%的交互片段是失败或次优执行，覆盖刚体、柔性体、流体、关节体4种物理形态。目前，WorldOracle已公开榜单和提交指南，支持开放权重与闭源模型。