快速了解部分

基础信息：

1. 题目: WorldArena 2.0: Extending Embodied World Model Benchmarking on Modality, Functionality and Platform
2. 时间: 2026.05
3. 机构: THU
4. 3个英文关键词: World Model, Embodied Intelligence, Benchmark

1句话通俗总结

通过把评测标准从“光看视频像不像”升级到“多模态感知+真动手干活+现实世界测试”，逼出真正能用的具身世界模型。

研究痛点

现有评测只看模型生成的视频画面是否逼真，导致模型“眼高手低”：视频看着很真，但机器人拿它练不出真本事，一到现实世界就抓瞎。

核心方法

搞个新评测基准 WorldArena 2.0，在三个维度动刀：加触觉（Visuotactile）、让模型当训练场（Interactive RL Env）、以及必须去真实机器人上跑（Real-World）。

深入了解部分

作者核心主张

别再只盯着视频生成质量了，评测世界模型的唯一标准，应该是它能不能帮机器人在真实世界里把活干成。

创新本质

相比 SOTA，真正新在“功能定义”和“评测平台”：把世界模型从单纯的“视频预测器”重新定义为“可交互的强化学习环境”。

方法直觉解释

输入是视觉画面+触觉信号，模型不仅要预测下一帧画面，还要能被策略网络反复调用进行“脑内模拟训练”，最后把练好的策略直接部署到真实机械臂上跑任务。

关键实现细节

1. 触觉注入：用 Tactile VAE 把触觉数据编码进视频 latent space，不改原模型架构直接插件式升级。
2. 闭环 RL 评测：用世界模型替代 simulator 训练策略（如 GRPO 算法），看策略迁移到真机后的成功率。

技术传承

继承自 WorldArena (v1)，保留了感知质量评测；但把下游任务从简单的“动作规划”升级到了复杂的“在线策略优化（RL）”。

实验验证（只列最关键的2-3个）

exp1: Visuotactile Evaluation (UniVTAC Sim)

• 设置: 对比加了触觉后的模型在插 HDMI 和提瓶子任务的成功率
• 数据: UniVTAC simulator
• 结论: Wan2.2 加触觉后插 HDMI 成功率达 100%，证明触觉对接触丰富任务至关重要。
  exp2: Real-World Evaluation (AgileX ALOHA)
• 设置: 在真实机器人上测“倒水”和“擦桌子”任务
• 数据: AgileX Split-Type ALOHA platform
• 结论: 现有模型在仿真里表现尚可，但迁移到真机后成功率断崖式下跌，揭示了巨大的 sim-to-real gap。

同类工作对比

• WorldArena [10] <2026>: v1 版只测视频质量和离线策略，v2.0 升级为在线 RL 训练和真机测试。
• WorldSimBench [7] <2024>: 只关注用视频生成控制信号，没涉及多模态和真实世界部署。
• UniVTAC [12] <2026>: 提供了触觉数据集，本文基于它构建了标准化的触觉评测流水线。

强相关文献（3篇）

• WorldArena: A unified benchmark for evaluating perception and functional utility of embodied world models <2026>
• UniVTAC: A unified simulation platform for visuo-tactile manipulation data generation, learning, and benchmarking <2026>
• WorldSimBench: Towards video generation models as world simulators <2024>

局限与适用边界

目前真实世界任务成功率普遍偏低，模型还撑不起直接部署；现阶段最适合用来筛选有潜力的模型架构，或者做仿真内的算法验证。