機器之心發(fā)布

過去兩年，從 Sora 到 Veo，再到 Cosmos，視頻生成模型在「視覺逼真」這條路上飛速狂奔，生成的畫面已經(jīng)足以以假亂真。但一個根本性的問題始終懸而未決：這些模型真的「理解」了物理世界嗎？這個問題目前還沒有一個答案。

事實上，當(dāng)這些模型去生成機器人操作的視頻，「夾爪穿模、物體憑空消失、時序錯亂」等物理違規(guī)現(xiàn)象比比皆是。從「看起來像」到「真能干活」，一直橫亙著一條技術(shù)實現(xiàn)的鴻溝。

究竟什么樣的模型才可以真能干活？圍繞這個問題，一場全球性的技術(shù)競賽正在打響 ——CVPR 2026 WorldArena Challenge

• 賽事官網(wǎng)：http://cvpr2026challenge.world-arena.ai/
• WorldArena 排行榜：https://world-arena.ai/
• WorldArena GitHub：https://github.com/tsinghua-fib-lab/WorldArena
• ABot-PhysWorld GitHub：https://github.com/amap-cvlab/ABot-PhysWorld
• ABot-PhysWorld 論文：https://github.com/amap-cvlab/ABot-PhysWorld/blob/main/tech_report/ABot-PhysWorld.pdf
• Workshop 官網(wǎng)：https://videoworldmodel-workshop.github.io/
• 官方交流群（微信）：https://github.com/tsinghua-fib-lab/WorldArena/assets/WeChat.jpg
• 官方交流群（Discord）：https://discord.gg/ZMrJJD55
• 官方郵箱：WorldArena1@outlook.com

一、WorldArena Challenge：世界模型的「大考」來了

WorldArena Challenge 是依托 CVPR 2026 Video World Model Workshop 舉辦的國際挑戰(zhàn)賽，由高德地圖視覺技術(shù)中心（AMAP CV Lab）、流形空間（Manifold.ai）和清華大學(xué)牽頭，聯(lián)合普林斯頓大學(xué)、新加坡國立大學(xué)、香港大學(xué)等全球頂尖學(xué)術(shù)機構(gòu)共同主辦。

與此前的世界模型評測不同，WorldArena 的核心理念可以用四個字概括：「真能干活」。評測體系不僅關(guān)注視頻「好不好看」，更聚焦于生成的內(nèi)容是否遵循物理規(guī)律、是否能支撐機器人的實際操作。比賽基于清華大學(xué)等 8 所頂尖高校聯(lián)合研發(fā)的 WorldArena Benchmark，涵蓋 16 大核心指標和 3 大真實應(yīng)用任務(wù)，旨在推動世界模型從「視覺逼真」向「功能可用」轉(zhuǎn)型。此次比賽設(shè)置了以下兩個賽道，參賽團隊可根據(jù)研究方向選擇單一賽道或雙賽道并行參與。

賽道一評估世界模型在視頻生成層面的綜合感知質(zhì)量 —— 不是簡單地看「畫面漂不漂亮」，而是從視覺質(zhì)量、動作質(zhì)量、內(nèi)容一致性、物理法則遵循度、可控性和 3D 準確性六大維度，通過 16 項量化指標展開全方位評測。最終通過 EWMScore 整合為統(tǒng)一的綜合分數(shù)排名。簡單說，不是比誰的視頻最好看，而是比誰的視頻最「合理」。

賽道二為具身任務(wù)功能性賽道。這是 WorldArena 的核心創(chuàng)新方向，首次將評測延伸至真實的具身任務(wù)執(zhí)行層面，圍繞世界模型在具身智能中的三大核心使用價值展開評估：作為數(shù)據(jù)合成引擎，能否生成有效提升策略模型性能的合成數(shù)據(jù)；作為策略評估器，能否替代物理仿真器準確評估策略；作為行動規(guī)劃器，能否直接規(guī)劃出可執(zhí)行的動作序列。賽道二將率先開放數(shù)據(jù)合成引擎與策略評估器的提交通道，對于排名靠前的方案，后續(xù)將引入行動規(guī)劃器進行額外加權(quán)打分，以全面驗證模型的實用價值。

二、即刻上手，高性能開源世界模型已就位

賽事主辦方之一的高德為提升創(chuàng)新活躍、降低參賽門檻，已將其世界模型ABot-PhysWorld完全開源 —— 這個模型目前在 WorldArena Leaderboard 上排名領(lǐng)先，參賽者可以直接在此基礎(chǔ)上訓(xùn)練和優(yōu)化。

ABot-PhysWorld 是高德即將發(fā)布的 ABot-World 系列的首個子工作，聚焦于具身場景下的物理一致性視頻生成。與現(xiàn)有模型追求「視覺合理性」不同，ABot-PhysWorld 的核心目標是「物理真實性」—— 讓 AI 生成的不僅是連續(xù)幀，而是符合物理規(guī)律的可行操作序列。

在技術(shù)實現(xiàn)上，該模型取得了多項關(guān)鍵突破：

四維泛化數(shù)據(jù)：從 300 萬原始數(shù)據(jù)清洗至 30 萬高質(zhì)量 SFT 數(shù)據(jù)，覆蓋本體泛化（不同機器人形態(tài)）、任務(wù)泛化（50+ 任務(wù)類型）、場景泛化（10+ 場景）和物體泛化（1000+ 物體類別），確保模型不偏向特定場景。

DPO 偏好對齊：通過 VLM-as-Judge 構(gòu)造 1 萬條偏好數(shù)據(jù)對，使用 Direct Preference Optimization 讓模型在「物理正確」和「物理錯誤」之間做出正確選擇，顯著減少穿模、變形等物理違規(guī)現(xiàn)象。

Dense Action Map 精細控制：11 萬條動作控制數(shù)據(jù)，將機器人動作編碼為空間稠密的控制信號，通過 Context Blocks 分支與視頻 latent 融合，實現(xiàn)精細化動作注入。

在獨立的 PAI-Bench 基準上，ABot-PhysWorld 以0.8491 的綜合得分0.9306 的領(lǐng)域得分刷新 SOTA，顯著超越 GigaWorld、Wanx-2.5、Veo 3.1、Sora 2 等開源和閉源模型。更重要的是，它成功打破了業(yè)界長期存在的「視覺質(zhì)量與物理合規(guī)性」之間的 Trade-off—— 在保持極具競爭力的視覺質(zhì)量的同時，實現(xiàn)了領(lǐng)域得分的大幅領(lǐng)先。

在 WorldArena Leaderboard 上，ABot-PhysWorld 同樣表現(xiàn)優(yōu)異，名列前茅。這一成績充分證明了高德在具身世界模型方向的技術(shù)實力。

為保障賽事公平性并加速社區(qū)創(chuàng)新，主辦方明確 ABot-PhysWorld 不參與最終評獎。該模型已開放完整模型權(quán)重、訓(xùn)練代碼及數(shù)據(jù)處理流程，參賽團隊可直接在此高起點基線上進行微調(diào)、數(shù)據(jù)策略優(yōu)化或技術(shù)創(chuàng)新。

值得一提的是，今年以來高德在具身智能領(lǐng)域動作頻頻，先后發(fā)布多款具身模型，并在多項權(quán)威基準測試中取得 SOTA。結(jié)合此次 ABot-PhysWorld 的開源及 ABot-World 系列的預(yù)告，高德在具身世界模型領(lǐng)域的產(chǎn)業(yè)布局正持續(xù)深化。

三、賽程安排與參賽指南

賽事總獎金池超過 14,000 美元，各賽道分設(shè)一、二、三等獎。獲獎團隊將獲得 CVPR Workshop 報告展示機會，頂尖隊伍可跨賽道獲獎。目前提交通道已開放并支持實時刷榜，最終提交截止時間為 2026 年 5 月 25 日，結(jié)果將于 6 月 1 日公布，并于 6 月 4 日在 CVPR 期間舉行頒獎典禮。

參賽流程非常簡潔，預(yù)計半天即可跑通第一個提交：

1. 準備數(shù)據(jù)：從 Hugging Face 下載 val_dataset /test_dataset。
2. 生成視頻：用您的模型輸出 ≥640×480、121 幀 @24fps 視頻（輸入：初始幀 + 文本 / 動作）。
3. 打包提交：壓縮成 zip（視頻文件夾 + model_README.md），在官網(wǎng)注冊提交或發(fā)送至官方郵箱。

目前已有眾多頂尖學(xué)術(shù)團隊與產(chǎn)業(yè)機構(gòu)報名參賽，賽事詳情與報名入口請訪問官網(wǎng)。