7月9日，高德地图联合清华大学、北京大学、南京大学共同推出了交互式世界模型评测基准——WorldRoam-Bench。该基准专门用于评估模型在连续漫游场景下的动作跟随、视觉质量、物理交互与记忆一致性，从而衡量世界模型在开放域长时间运行时的可靠性与稳定性。

以往的世界模型评测多聚焦于视频画质、整体轨迹或有限轮次的交互表现，却忽略了画面漂移、结构坍塌、主体身份突变等关键问题。WorldRoam-Bench的推出正是为了弥补这一不足。该基准包含600余个测试案例，覆盖第一人称与第三人称视角，场景涵盖室内、自然与城市三大开放域。测试方法贴近实际应用：模拟WASD/IJKL键盘操作，让模型连续漫游10至60秒，并通过15个细分指标进行量化评分。

目前，WorldRoam-Bench已完成对十余个前沿交互式世界模型的评测，包括开源模型与闭源产品，并设立了公开积分榜，便于持续追踪各模型的能力进展。评测从以下四个核心维度展开：

首先是动作跟随。该维度并非简单评估轨迹准确性，而是逐帧检查控制响应，确保模型不会出现轨迹正确但中间遗漏响应的问题。

其次是视觉质量。在长时间生成过程中，需重点关注颜色漂移、模糊累积、结构坍塌等退化现象。

第三是物理交互。通过可控性门控机制，区分动作失败与物理失败，涵盖碰撞、穿模、形变、地形跟随、反射、阴影及3D一致性等细节。简而言之，评估模型在物理世界中的行为是否符合物理规律。

最后是记忆能力。通过3D点云重建评估视频幻觉率，结合SAM2跟踪与视觉语言模型推理，综合评测场景结构、空间布局、主体外观与状态的保持能力，即模型在长时间漫游中能否维持记忆一致性。

从评测结果来看，当前尚无模型能在所有维度上同时领先。视觉质量、动作可控性、物理一致性与记忆能力之间存在明显的阵营分化，各模型各有优劣。这一现象符合预期，因为交互式世界模型仍处于快速迭代阶段。

值得一提的是，WorldRoam-Bench将持续扩展场景类型与交互难度，推动交互式世界模型迈向真正的高可用全域开放阶段。从行业视角看，该基准的推出为各模型提供了清晰的参照——强弱之处一目了然。未来，谁能率先补齐短板，谁就有望在开放域漫游赛道上走得更远。