阿里发布 HappyWorld-Bench：1138 项视频用例测世界模型可靠性
alibabagroup · hf · 2026-09-24
阿里巴巴在 Hugging Face 发布 HappyWorld-Bench，一个评估世界模型的综合基准，强调不仅要看生成质量，还要看 agent 交互下的状态一致性与响应正确性。
- 框架：六个层级世界能力（W1-W6），覆盖视频、空间、具身三条独立评测轨道。
- 规模：1138 个视频提示、300 个空间场景、254 个具身测试用例；配套 HappyWorld-Arena 组织人类 A/B 对比并得出模型级 Elo 分，辅以自动化行为正确性指标。
- 评测对象：14 个视频世界模型、9 个空间系统、8 个具身候选模型。
- 发现：三条轨道均有可靠性缺口——视频模型在长时 rollout 与重访时一致性下降；空间模型放置准确率最高 70.14%、编辑执行 73.33%；具身模型难以在多步动作间保持状态，对动作条件和物理规则变化响应不准。
「研究」频道最新
- UniPath 被 NeurIPS 2026 接收：单模型自适应协调理解与生成 — jindong_wang92 · 2026-11-11
- Scale AI 1200+ 次训练对比 PPO 与 GRPO:小 batch 用 critic,大 batch 可省掉 — heghbalz · 2026-11-11
- 开源进程推进个性化胰腺癌疫苗:34 岁患者数据全公开征集专家意见 — jajoosam · 2026-11-11
- Ross Girshick 发布 CVPR 演讲幻灯片:复盘十五年目标检测史并衔接 LLM — CatAstro_Piyush · 2026-11-11
- KAIST 发现记忆会让 Agent 翻车，WikiTrace 用证据链接降 10.7 分差距 — dair_ai · 2026-11-11
- UHN 团队发布 DynaMELD，用机器学习公平排序肝移植等待名单 — VectorInst · 2026-11-11