2026年WAIC现场，世博展览馆H3馆的通道比往年更显拥挤。入口处，宇树的载人变形机甲GD01吸引众多观众排队进入驾驶舱拍照；300多台机器人真机散布在200多家具身智能企业展台之间；视频生成公司的展台与机器人公司相邻，屏幕上循环播放着机械臂倒水、无人机穿越丛林、虚拟角色转身的演示片段。不同公司的讲解员讲述着高度一致的内容：都在聚焦具身智能，都在探讨世界模型。穿梭于展台间的投资人，面对同一个问题——模型的实际水平如何——却得到指向不同维度的答案：有人展示VBench排名，有人调出RoboTwin 2.0的任务成功率曲线，有人谈及仿真到真机的迁移数据。同一个术语，在不同展台被不同的数字所定义。当具身智能与世界模型成为热门话题，榜单便不再仅是技术社区的内部排名，而是行业理解技术路线的关键入口，在某种程度上，更成为话语权的象征。

一张拼图，三个榜单

自2026年以来，具身智能与世界模型几乎成为AI领域最受关注的焦点。技术圈在探讨视频模型能否成为机器理解物理世界的路径；资本圈在思考下一代AI公司能否从“会说话的模型”进化为“会理解、会预测、会行动的模型”；媒体圈的问题则更为直接：当“世界模型公司”越来越多，究竟该如何评判孰优孰劣？然而时至今日，世界模型依然缺乏统一的定义和衡量标准。它更像一幅尚未完成的拼图：视频质量、指令理解、时序一致性、物理规律、机器人执行、动作预测——每一项能力背后都对应着一张榜单和一群支持者。拆解这幅拼图，有三块核心版图绕不开：一张回答“像不像”，一张回答“懂不懂”，一张回答“动不动得了”。理解它们，比看懂任何一场发布会都更接近行业的真实进展。

VBench：回答“像不像”

VBench是目前视频生成领域最常用的评测体系之一，由南洋理工大学S-Lab、上海人工智能实验室OpenGVLab等机构推出。它从主体一致性、背景一致性、运动流畅度、美学质量等16个维度对生成视频进行评价。它回答的问题非常直接：模型生成的视频，是否像真实世界，是否符合用户输入。在VBench 1.0认证榜中，头部模型得分集中在84分到88分之间，差距已经非常微小。因此，VBench在2025年推出了2.0版本，将评测范围扩展到人类保真度、物理规律、可控性、常识等维度，开始关注那些决定真实感、却容易被忽视的问题。根据其HuggingFace官方榜单的认证视图，主要排名如下：

图：VBench-2.0榜单：Veo 3以66.72%居首（来源：HuggingFace Vchitect/VBench_Leaderboard，2026年7月截图）

但VBench主要仍是对视频结果进行评价。画面可以很逼真，但模型却未必理解画面背后的规律。

WorldModelBench：回答“懂不懂”

如果视频生成模型被称为“世界模型”，那么它就需要接受更为严格的检验。2025年，来自UC Berkeley、UC San Diego、NVIDIA和MIT的研究者推出了WorldModelBench，将模型置于物理和常识环境中进行测试。该评测覆盖机器人、驾驶、工业、人类活动等7大领域，包含350条提示词和6.7万条人工标注，从指令遵循、物理规律、常识三个维度进行打分。其中，物理规律遵循占总分的一半。原因很简单：世界模型最重要的能力之一，是预测物体在真实世界中会如何变化。结果显示，即使表现最好的模型，也只有61%的视频正确完成了指令；12%的视频违反了质量守恒，11%出现了物体互相穿透的情况。模型能够生成一个看似合理的世界，但距离真正理解世界，还有明显的差距。

图：WorldModelBench官网榜单（来源：worldmodelbench-team.github.io，2026年7月截图）

RoboTwin 2.0：回答“动不动得了”

世界模型最终要服务于行动，沿着拼图向下游探索，机器人能否执行实际任务便成为一个非常重要的维度。RoboTwin 2.0由上海交大ScaleLab与港大MMLab主导，上海人工智能实验室参与。它包含50个双臂协同操作任务，涵盖抓取交接、工具使用、可形变物体操作，运行在SAPIEN仿真器上，支持Aloha-AgileX、ARX-X5、Piper、Franka、UR5共5种双臂本体，并配套一个包含731个实例、147个类别的物体库。通过Easy和Hard两种环境，测试机器人能否从仿真走向更复杂的真实世界。早期结果显示，在Hard设定下，多数方法的成功率仍然低于20%。机器人能够完成特定任务，但距离稳定、泛化地完成任务，还有很长的路要走。

图：RoboTwin 2.0官方榜单（来源：robotwin-platform.github.io，2026年7月截图）

三张榜单，三种能力，各自拥有不同的发布机构和评分体系。没有一张榜单能独自定义世界模型，将它们放在一起，才能勾勒出一条从生成、理解到行动的能力链。但这条链条还缺少一个最关键的环节。

Physics-IQ：回答“准不准”

人类在做许多动作时，会下意识地在脑中预演结果。推一下杯子，它会滑多远，会不会翻倒；倾斜水壶，水会从哪里流出来；把两块磁铁靠近，它们会吸住还是弹开。机器人也需要这种能力。它必须根据眼前的状态，预测几秒后会发生什么，再决定下一步动作。视频世界模型经常在这里犯错。这类预测如果不准确，后续的规划和执行都无从谈起。测量这一基础能力的基准叫做Physics-IQ，由Google DeepMind与INSAIT联合推出，论文发表于WACV 2026。2026年6月，原团队联合Anates Labs发布了修正版Physics-IQ Verified，修正了57.6%的样本标注问题，改用逐样本加权计分。

它的设计与前述榜单都不同：研究者真实拍摄了66个物理实验，覆盖固体力学、流体、光学、热力学、磁学五大类，每个实验使用3个机位、实拍2次，共获得396段8秒视频。模型只观看前3秒，预测后5秒会发生什么，再与真实拍到的后续画面进行比对。4项指标合成一个0到100分的Physics-IQ分数，并用同一场景两次实拍之间的差异做归一化处理：真实世界自己重拍一次都不会完全相同，模型的预测就被拿来与这种自然波动进行比较。Physics-IQ考察的是更底层的问题，即这个模型是否真的理解物理规律。这也正是图灵奖得主Yann LeCun多年来反复主张的观点，“AI需要建立关于世界的内部模型，而不是只会生成内容”。他担任Meta首席科学家期间，Meta FAIR便将Physics-IQ作为核心评测基准。

然而翻开Physics-IQ的官方榜单，排在第一的却并非Meta的模型，也不是英伟达投入重金的Cosmos，而是一个中国的视频生成模型。2025年4月21日，Sand.ai的Magi-1以56.0%的得分登顶榜首。当时位居榜首的Google VideoPoet仅有29.5%，Magi-1几乎将这个数字翻了一倍。从那天算起，Magi-1系列在第一名的位置上坐了约13个月，中间只离开过三周。这张榜单有三种解读方式：

• 看裸模型：前三名里有两个建立在Magi-1之上，Magi-1的56.0%是v2v设定下的裸模型最高分，远高于Sora 2裸模型的42.3%，Cosmos3-Super裸模型的59.7%出自不同设定，两者不直接可比。
• 看增强系统：2026年5月，英伟达最新发布的旗舰世界模型Cosmos3-Super加持WMReward后冲到63.4%，短暂登顶约三周；6月17日，基于Magi-1的增强系统以64.5%重回第一。

图：Physics-IQ官方榜单：Magi-1系居首，Sora 2裸模型42.3%（来源：physics-iq.github.io，2026年7月截图）

• 再看修正后的新榜：2026年6月发布的Verified版本上，Magi-1 24B增强版以58.2分排第一，裸模型48.4分排第二，Cosmos3-Super i2v 39.5分，Sora 2仅有26.5分。

图：Physics-IQ Verified修正榜（来源：physics-iq-verified.anates.ai，2026年7月截图）

将两张榜单放在一起看，会出现一个反常识的画面。OpenAI的Sora在VBench这类回答“像不像”的榜单上排名并不差，但到了Physics-IQ上，Sora 2裸模型仅有42.3%，不足榜首64.5%的三分之二；Verified新榜上只有26.5分，不及榜首58.2分的一半。生成得逼真，与预测得准确，被证明是两件不同的事。

把视频生成做成“预测下一个词”

Magi-1赢在哪里？论文给出的答案是架构选择。当下主流的视频生成模型，如Sora、Kling等，走的是扩散路线：一次性生成整段视频，所有帧同时去噪，彼此之间没有严格的时间先后顺序。而Magi-1的做法更像语言模型预测下一个词：按时间顺序逐块生成，每块24帧，块内部使用扩散去噪保证画质，块与块之间通过自回归方式衔接。通过block-causal attention，后来的帧不会影响过去的帧，过去一旦被写下，就不再被改变。

图：Magi-1逐块自回归生成与块因果注意力示意（来源：SandAI-org/MAGI-1，arXiv:2505.13211）

这个架构天然更接近世界模型应该做的事情：根据世界的此刻，推演下一秒。它还带来几个工程上的优势：支持流式生成，视频可以边生成边播放；理论上可以无限长地续写下去。对世界模型而言，这意味着推演的时间跨度不受窗口限制，仿真可以一直进行，还可以逐块更换提示词，控制后续走向。如果将关键词从“生成”换成“预测”，Magi-1与LeCun主张的JEPA路线便有一种理念上的深层呼应。LeCun在2022年发表立场论文《A Path Towards Autonomous Machine Intelligence》，提出JEPA架构：不在像素空间预测世界，而是在表征空间进行预测，主动忽略那些不可预测的细节。这条路线后来发展成一个家族：I-JEPA、V-JEPA，再到2025年的V-JEPA 2，用百万小时视频进行训练，其衍生版本可以做零样本的机器人规划。

图：Yann LeCun在2026年6月巴黎VivaTech演讲（来源：La Ecuación Digital）

一个在像素世界里逐块自回归，一个在表征空间里做预测，虽然技术方案完全不同，但都指向同一个判断：能够预测物理世界的变化，是世界模型的必要条件。

尺子一旦出现，叙事便有了边界

在WAIC的论坛上，“世界模型”被反复提及。7月19日的一场人形机器人与具身智能论坛，主题之一正是“标准体系不统一”。开幕当天有观察文章写道：通用世界模型正在成为人形机器人的新竞争壁垒。竞争的坐标系确实在发生变化。过去几年，视频模型的发布会比拼的是“像不像”：分辨率、时长、美学分数。Physics-IQ这类榜单的出现，将问题转变为“物理世界变化预测的准不准”。它的价值不在于新添了一张榜单，而在于将世界模型从一个抽象概念，拉回到具象的物理世界：杯子会怎么倒，水会怎么流，光会怎么折。这些东西无法靠话术修饰。坐标系的变化不会写在任何一场发布会的邀请函上，但它会决定下一年资本流向哪里、人才流向哪里。榜单会迭代，名次会更替。但标准一旦确立，理解行业的方式必然会被改写，模糊的叙事也就有了相对清晰的边界。尺子一旦有了，能量出什么，就是什么。