今年七月，上海世博展览馆H3馆的过道显得格外拥挤，具身智能与视频生成领域的企业齐聚一堂，成为2026年WAIC大会最受关注的展区。

入口处，宇树科技的载人变形机甲GD01吸引大批观众排队体验，进入驾驶舱拍照留念。展区内，300余台真实机器人分布于200多家具身智能企业展台之间，充分彰显了具身智能作为本届WAIC核心展品的地位。视频生成公司的展台则紧邻机器人企业，屏幕连成一片，持续播放着机械臂倒水、无人机穿越林间、虚拟角色转身等演示内容。

各家公司的讲解员不约而同地聚焦于两大主题：具身智能与世界模型，成为展会现场最热门的话题。

图：WAIC 2026现场，宇树科技展台（来源：新蓝网）

投资人穿梭于展台之间，面对众多公司，他们反复询问高度趋同的问题，核心始终聚焦于模型的实际水平。但获得的答案却指向不同维度：有人展示VBench排名，有人调出RoboTwin 2.0的任务成功率曲线，还有人谈论仿真到真机的迁移数据。同一词汇，在不同展台上被不同的数字重新定义。

当具身智能与世界模型成为显学，这些评测榜单已不再是技术社区的内部排名，而是行业理解技术路径的关键窗口，甚至代表了话语权本身。

一张拼图，三大榜单

2026年以来，具身智能与世界模型已成为人工智能领域最受关注的两大核心议题。

技术圈在探讨，视频模型能否成为机器理解物理世界的有效路径。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：面对越来越多的“世界模型公司”，究竟该如何评估其真实实力？

然而，迄今为止，世界模型仍缺乏统一的定义和衡量标准。

具体到评测层面，世界模型目前并非单一分数所能概括的能力，它更像一张尚未完成的拼图：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，每一项能力背后都伴随着相应的榜单和一群拥趸。

那么，具身智能与世界模型究竟该关注哪些榜单？将这张拼图拆解，有三块版图不可或缺：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，比看任何发布会都更能把握行业的真实进度。此外，还有一块回答“准不准”，它是整张拼图的底座，值得单独辟出一章详细阐述。

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等机构联合推出。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全面评估。

它回答的问题非常直接：模型生成的视频是否像真实世界，是否符合用户输入指令。

在VBench 1.0认证榜中，头部模型分数集中在84分至88分之间，差距已微乎其微。因此，VBench于2025年推出2.0版本，将评测范围扩展至人类保真度、物理规律、可控性、常识等维度，开始关注那些决定真实感却常被忽略的细节。

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仍主要评价视频输出结果。画面可以极为逼真，模型却未必理解画面背后的物理规律。

WorldModelBench：回答“懂不懂”

如果视频生成模型被称为“世界模型”，那么它就必须接受更严格的检验。

2025年，来自UC Berkeley、UC San Diego、NVIDIA和MIT的研究人员联合推出了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、人类活动等七大领域，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、常识三个维度进行评分。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%的视频正确完成指令；12%的视频违反质量守恒定律，11%出现物体互相穿透现象。

模型能够生成一个看似合理的世界，但距离真正理解物理世界，仍有明显差距。

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”

世界模型终究要服务于行动，因此，再向拼图下游走一步，机器人能否实际执行任务便成为一个至关重要的维度。

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、可形变物体操作等场景，运行于SAPIEN仿真器，支持Aloha-AgileX、ARX-X5、Piper、Franka、UR5共五种双臂本体，并配备一个包含731个实例、147个类别的物体库。通过Easy和Hard两种环境设置，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，多数方法成功率仍低于20%。机器人能够完成特定任务，但距离稳定、泛化地完成任务仍有很大差距。

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，各有其发布机构和评分体系。没有一张榜单能独自定义世界模型，但将它们放在一起，才能勾勒出一条从生成、理解到行动的能力链。然而，这个链条还缺少一个最关键的环节。

Physics-IQ：回答“准不准”

人类在做出许多动作时，会下意识在脑中预演结果。例如，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；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。它必须根据当前状态，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一环节犯错。如果这类预测不准，后续的规划和执行都将无从谈起。

衡量这一基础能力的基准称为Physics-IQ，由Google DeepMind与INSAIT联合推出，相关论文发表于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，并改用逐样本加权计分方式。

其设计与前述榜单截然不同：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，每个实验设置3个机位、实拍2次，共获得396段8秒视频。模型仅观察前3秒，预测后5秒会发生什么，再与真实拍摄的后续画面进行比对。4项指标合成一个0到100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：真实世界重拍一次也不会完全相同，模型的预测便与这种自然波动进行比较。

Physics-IQ考察的是更底层的问题：模型是否真正理解物理规律。这也正是图灵奖得主Yann LeCun多年来反复强调的观点——‘AI需要建立关于世界的内部模型，而不仅仅是生成内容’。在他担任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官方榜单，排名第一的并非Meta的模型，也不是英伟达重金投入的Cosmos，而是一个来自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。当时的榜首Google的VideoPoet仅有29.5%，Magi-1几乎将这个数字翻了一倍。从那时起，Magi-1系列在榜首位置坐了约13个月，期间仅离开过三周。

这张榜单有三种解读方式。

• 看裸模型：前三名中有两个基于Magi-1，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结合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对比，会出现一个反常识的画面。OpenAI的Sora在VBench这类回答“像不像”的榜单上名次并不差，但在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，不到榜首58.2分的一半。

生成得逼真与预测得准确，被证明是两回事。

把视频生成做成“预测下一个词”

Magi-1为何胜出？论文给出的答案是架构选择。

当前主流的视频生成模型，如Sora、Kling等，均采用扩散路线：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，块内部通过扩散去噪保证画质，块与块之间通过自回归衔接。利用block-causal attention机制，后续帧不会影响过去帧，过去一旦被生成，便不再被修改。

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的目标：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，仿真可以持续进行，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提出的JEPA路线便有了理念上的深层呼应。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，利用百万小时视频训练，其衍生版本可进行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”。开幕当天便有观察文章指出：通用世界模型正在成为人形机器人的新竞争壁垒。

竞争的坐标系正在发生平移。过去几年，视频模型发布会比拼的是“像不像”：分辨率、时长、美学评分。Physics-IQ这类榜单的出现，将问题转向了“物理世界变化预测的准不准”。其价值不在于新增一张榜单，而在于将世界模型从一个抽象概念，拉回到具体的物理世界：杯子会怎么倒，水会怎么流，光会怎么折。这些无法通过话术修饰。坐标系的变化不会出现在任何一场发布会的邀请函上，但它将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，量出什么，就是什么。