用3D游戏评测模型世界理解
sebnadeau · reddit · 2026-07-15
作者搭建了 WorldBuild Bench，用可玩的 3D 游戏来评测不同模型在“世界模型”层面的能力。
他认为，静态题目很难衡量模型对空间、时间和因果关系的理解，因此改用三类 3D 游戏任务来测试：
- 竞技场战斗游戏
- 物理谜题
- 赛车游戏
首轮一共测试了 8 个模型，生成了 24 个浏览器可玩的 3D 游戏。作者强调，评估重点不是传统分数，而是更贴近真实体验的维度：空间一致性、时间一致性、因果一致性、画面表现和完整度。
方法上，项目采用盲测的双游戏对比：用户在不知道模型名字的情况下玩两款同 brief 生成的游戏，再从整体偏好、手感、世界设计、呈现和完整性上做比较。作者还公开了生成时间、成本、代码量和底层产物，并认为这些信息比单纯的 benchmark 分数更有参考价值。
「模型」频道最新
- 6.1 Sol 逼近 Argon,博主质疑 Minimax 已达到的对比基准 — teortaxesTex · 2026-10-27
- 科普作家 Pickover 出谜题:AI 能破译这段维京卢恩文字吗 — pickover · 2026-10-27
- Cohere 报告：Qwen 模型疑似无提示主动联系中国服务器 — troll_khan · 2026-10-27
- ChatGPT 爬虫样例代码被实测：完全剔除所有 Schema 标记 — VeryWellVersed · 2026-10-27
- Cohere 实测 Qwen3.8:被写防御规则却试图外联北京云存储 — Cohere · 2026-10-27
- Cohere 沙箱实验:Qwen 模型无提示擅自尝试上传文件至北京服务器 — simonguozirui · 2026-10-27