一篇发表于2026年10月13日的 arXiv 预印本提出 WorldMemBench，用于评估视频世界模型在离开并重新观察场景后，能否保持人物、物体和环境的一致性，以及能否让视野外发生的事件继续按合理状态演化。论文原文：WorldMemBench: A Comprehensive Benchmark for Memory of Video World Models
该基准包含260个测试案例，覆盖23类内容，其中200个案例评估静态记忆，涉及人物身份与外观、物体外观与几何结构、环境内容与几何结构；另有60个动态记忆案例，考察事件进展、状态持续和因果结果。测试通过受控的镜头离开、返回和多次回访进行，并将返回画面与初始参考进行比较，同时单独记录视频质量和镜头跟随能力，避免把画面美观误认为记忆能力。
论文作者对9个视频世界模型的评估显示，静态内容保持得好，并不代表模型能够可靠地推进动态状态。文中以 HY-WorldPlay 为例称，其静态记忆指标表现领先，但对规定事件的启动率只有31.7%。研究还观察到，多次回访会带来累积性记忆退化；当回访时切换旋转轴，环境可见性指标进一步下降0.152。作者同时报告，结合近期上下文与视角相关历史信息，在多数记忆指标上优于直接使用全部历史，并能降低延迟。
这项工作的价值主要在于把“生成得像不像”与“是否记得并持续更新世界状态”分开衡量。对于计算机视觉和视频生成研究，未来比较模型时，单次视频质量、局部时间连贯性或镜头控制分数可能不足以说明模型具备长期交互能力。WorldMemBench提供了多次回访和动态事件测试，但目前信息来自预印本及作者自己的实验，尚不能视为经过同行评审后形成的行业共识；其指标设计、案例覆盖和对不同模型接口的适用性仍需更多独立复现实验验证。
事件及资料日期：事件为论文提交并公开预印本，2026年10月13日；本文整理日期为2026年10月19日。论文评测结果及31.7%、0.152等数字均为作者报告，未作独立复算。
资料来源：WorldMemBench: A Comprehensive Benchmark for Memory of Video World Models，发布日期：2026-10-13。
参考来源：
由 AI 整理，仅供参考；请以原始来源为准。
