**HappyWorld-Bench：评估世界模型在交互中的可靠性基准**

_HappyWorld-Bench_

> 研究团队提出 HappyWorld-Bench，一个面向世界模型的综合基准，旨在检验生成世界在智能体探索、交互与修改过程中是否依然可靠。该基准基于涵盖生成式构建到统一世界建模的六项世界能力框架（W1–W6），并分为视频世界模型、空间世界模型与具身世界模型三条独立评测轨道，包含 1,138 条视频提示、300 个空间场景和 254 个具身测试用例；同时构建 HappyWorld-Arena 组织人工 A/B 对比并得出模型级 Elo 评分，辅以新设计的自动化指标衡量行为正确性。在统一框架下共评测 14 个视频世界模型、9 个空间系统与 8 个具身候选模型，结果显示三条轨道均存在可靠性差距：视频模型在长时间推演与重访时一致性下降，空间模型最高仅达 70.14% 放置准确率和 73.33% 编辑执行率，具身模型难以在多步动作中保持状态并精确响应动作条件与物理规则的变化。作者强调，评估世界模型不应只看视觉质量，还需关注状态一致性及其对动作与干预响应的正确性。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-24 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.24308)