论文与研究

美团 LongCat 提出 WBench:首个交互式视频世界模型多轮评测基准

原文标题:从月球漫步到赛博都市,WBench测出了世界模型的边界

AI 摘要

美团 LongCat 团队提出 WBench,这是首个面向交互式视频世界模型的系统性多轮评测基准,包含 289 个测试案例和 1058 个交互轮次,覆盖导航、主体动作、事件编辑和视角切换四种交互方式。

关键信息

  • 美团 LongCat 团队提出 WBench,这是首个面向交互式视频世界模型的系统性多轮评测基准
  • 包含 289 个测试案例和 1058 个交互轮次,事件编辑和视角切换四种交互方式
  • 将导航能力独立归因于空间状态表示,揭示连续交互位姿误差累积是迭代生成范式的结构性缺陷,为评估与改进交互式世界模型提供了新框架

速览

发布时间
更新时间
来源
公众号:龙猫LongCat(美团)
分类
论文与研究
AI 评分
65
阅读原文 前往信息源阅读完整正文
推荐理由

将导航能力独立归因于空间状态表示,揭示连续交互位姿误差累积是迭代生成范式的结构性缺陷,为评估与改进交互式世界模型提供了新框架。

来源与版权

本文基于 AIHOT 公开 API 的精选标题与 AI 摘要整理,已注明来源并回链;原文版权归原媒体与作者所有,本站不镜像全文。

原文链接 · AIHOT 条目

如何引用

引用本文时请保留标题、日期与永久链接,并注明来源为橙子新闻。

橙子新闻:美团 LongCat 提出 WBench:首个交互式视频世界模型多轮评测基准。2026年6月11日。https://new.nat6.net/news/cmsdu2t2b011profzy9njjxyb/

查看全部 →
  • 伯克利RDI发布Agents' Last Exam基准

    2026年6月,伯克利RDI发布Agents’ Last Exam(ALE)基准,包含1,500余项源于真实工作的任务,覆盖55个非体力职业。对Fable 5、GPT-5.5、Composer 2.5等前沿智能体的测评显示:在最困难层级成…

    Berkeley RDI:Blog(AI 安全与评测)论文与研究AI 评分 83

  • 百度百舸联合复旦提出LU-KV框架,被ICML 2026录用

    百度百舸团队与复旦大学合作提出Long-horizon Utility KV(LU-KV)框架,将头级KV Cache预算分配建模为面向长程边际效用的全局组合优化问题。LU-KV通过离线画像估计注意力头边际贡献曲线,结合凸包松弛与基于边际…

    公众号:百度智能云(文心)论文与研究AI 评分 63

  • Anthropic:智能体编码中专业知识回报持续存在

    Anthropic 基于约40万次 Claude Code 交互会话(2025年10月至2026年4月)分析发现:人类主导规划决策(做什么),Claude 主导执行决策(怎么做)。领域专业知识越强,模型每次指令完成的工作量越多。各类职业完…

    Anthropic:Research(发表成果 · 网页)论文与研究AI 评分 76

  • Hugging Face 博客发布语音智能体代码切换基准测试

    Hugging Face 博客发布针对语音智能体处理代码切换语音的基准测试。数据集覆盖西班牙语‑英语、法语‑英语、加拿大法语‑英语和德语‑英语四对语言,基于人力资源与IT服务管理场景构建。采用词错误率、语义词错误率和答案错误率三项指标评估…

    Hugging Face 社区博客(混合发现)论文与研究AI 评分 67