世界建模可獨立訓練：2k 樣本跨域提升 22 項基準
Northwestern、CMU 等團隊建置 WOVEN 資料集，把世界建模定義為對「狀態–動作–結果」三元組的推斷，並證明它可以獨立測量、獨立訓練，也能跨任務遷移。WOVEN 共 3.6 萬道題，測了 38 個前沿模型：最強的 GPT-5.4 準確率為 65.8%，人類為 92.3%，其中時序相鄰判斷停在 25%–28%，接近隨機。在 WOVEN 上做 SFT 與 RL 後訓練後，Qwen2.5-VL-3B 的域內準確率從 26.4% 升至 89.3%；
它給出世界建模的可測量定義，並用錯誤規則對照與因果乾預排除表象相關，證明 2k 樣本即可跨域遷移；對做多模態後訓練與資料配比的人最有用。
原標題：世界建模是跨任务可复用的独立能力吗？Northwestern、CMU等用仅2k样本跨领域提升22项基准，并给出训练配方
閱讀原文
| 評分 | 78 / 80（平均 79，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
Kimi 開源 WorldVQA 基準，評測多模態模型視覺世界知識
Kimi 團隊開源 WorldVQA 基準，用 3500 組圖文問答檢驗多模態大模型是否真的認出了圖中的實體，而不是僅憑視覺模式猜測。資料集覆蓋 9 大類，中文佔 36%、英文佔 64%，並把常見知識與長尾知識分開統計；結果顯示，前沿模型在長尾題上的準確率常常低於 50%。校準實驗還發現，各模型普遍過度自信；其中表現最好的 Kimi-K2.5，其 ECE 仍達 37.9%，Slope 為 0.550。
浙大等發布 WorldMemBench，評測影片世界模型記憶
浙江大學、復旦大學、螞蟻集團與南京大學團隊推出 WorldMemBench，用可控的“離開—回訪”鏡頭評測影片世界模型的記憶。基準含 260 個案例、23 個內容類別，分靜態記憶、動態記憶及影片品質、相機跟隨四個維度，測試了 HY-WorldPlay、LingBot-World 等九個模型。結果顯示靜態與動態記憶的強項分化：HY-WorldPlay 七項靜態指標全部領先，LingBot-World 動態記憶總分最高；
360M 模型微調成終端，可在瀏覽器跑 vim 與貪吃蛇
作者用 Qwen2.5-Coder-0.5B 微調出 360M 引數模型 WorldTUI，它背後沒有 shell 和檔案系統，只根據每次按鍵預測終端螢幕變化，能建立檔案、執行 vim 與 tmux、玩貪吃蛇。訓練資料由 Docker 中錄製的真實終端會話合成，共 33.6 萬段、約 20 億 token，其中 35% 的會話從任務中途開始；推理使用僅 333 個 token 的小詞表，COPY 行操作把滾動重繪從約 3000 token 降到每行 3 個。
WorldOracle 評測平台開放，世界模型物體與長序列預測明顯退化
由普林斯頓大學、多倫多大學、NVIDIA 與智元等機構提出的世界模型評測平台 WorldOracle 於 10 月 16 日向開發者開放，以真實操作記錄檢驗模型對動作後果的預測。首批七種模型暴露兩類問題：機械臂路徑跟得準但物體位置偏差大，IRASim 機械臂得分 78.8、物體僅 29.1，Cosmos 3 為 89.4 與 45.4；
無界動力開源 7B 世界模型 MWA-Phoenix，六項評測同時登頂
無界動力發布並開源端側 7B 隱空間世界模型基座 MWA-Phoenix，在 LIBERO-Plus、LIBERO-Pro、RoboCasa GR1、Bench2Dex、RoboTwin 2.0 與 RoboDojo 真機榜六項評測同時登頂。模型僅以 RGB 輸入、不用深度真值也不依賴 Agent：LIBERO-Plus 成功率 94.63%，Bench2Dex 平均 45.6%，領先對照模型 π0.5 17.3 個百分點。