上交大PAWBench世界模型不能只生成一种未来
视频生成模型越来越像世界模型，但一次生成看起来合理，只能说明它会演出一种未来。真实物理过程常有多个可能结果，同样的初始状态和动作，硬币可能落在不同面，物体碰撞也可能出现不同结局。世界模型还得把这些结果出现的比例学对。

上海交通大学、上海人工智能实验室、Krea AI、Hugging Face、上海创新研究院、通义实验室与香港大学提出 PAWBench，专门测这种概率对齐能力。

基准包含 50 个场景、8 类物理机制，每个场景固定初始图像和动作，再让模型重复生成 50 次。PAW-Calibration 检查硬币、转盘、路径选择等场景的结果比例是否符合参考分布；PAW-Coverage 则检查碰撞、稳定性、智能体互动和材料变化中，可行结果有没有被覆盖。

11 个视频模型的结果暴露出明显问题。Cosmos 3 Super I2V 的 Calibration TVD 为 20.5，但场景通过率只有 80%；LTX-2.3 的 Coverage 达到 71.7%，场景通过率只有 72%。没有一个模型同时兼顾概率分布、结果覆盖和场景稳定性。

增加采样次数能找到更多结果，却很难修正比例偏差。11 个模型的平均 TVD 为 31.2，而按参考分布模拟采样时，99% 情况低于 9.22，说明差距并非简单来自采样不足。

换 Prompt 可以指定某种未来，但视频模型真正实现指定结果的比例只有 37.6%～58.1%。用耦合噪声能扩大结果覆盖；修改训练数据比例也能改变输出分布，可这种变化往往同时影响多个场景，仍不能根据具体物理状态自动调整。

边界也很清楚：当前主要看终局结果，没有完整评价中间物理轨迹；每个场景依赖有限次数生成，测试环境也以受控物理场景为主。

这项工作的意义，是把世界模型评测从这段视频像不像现实，推进到同样条件重复运行很多次后，可能发生什么，以及这些未来出现的比例是否合理。能生成多个未来，只是起点；学会世界里的随机规律，才更接近可用于规划的世界模型。

PAWBench 上海交通大学 上海人工智能实验室 世界模型 视频生成 AI论文