PAWBench：概率对齐世界模型还有多远
来自 arXiv · 期号 2026-08-28
摘要
视频生成模型常被当作世界模型来用。但很多物理过程可以有多种走向，世界模型不仅要生成一条合理的轨迹，还要在相同初始条件下复现出可能行为的分布。 现有评测只看单条视频是否合理，不检查多次生成能否恢复正确的分布。PAWBench 把这个问题形式化为概率对齐，并引入 PAWEval 协议，把多次视频生成的结果转化为物理行为的经验分布。 在 50 个场景、11 个系统上，没有一个模型能同时匹配参考概率并覆盖有效行为的范围。论文还测试了语言提示、初始噪声采样和模型训练能否调整预测分布。
深读
导读 视频生成模型常被当作世界模型使用，但物理过程往往有多种可能走向。这篇论文指出，现有评测只检查单条视频是否合理，不验证多次生成能否复现正确的概率分布。PAWBench 将这一问题形式化为“概率对齐”，并提供了一个系统化的评测框架。读完能了解当前视频生成模型在分布级世界建模上的差距，以及调整预测分布的初步尝试。 关键信息 - 论文将世界模型的要求从“生成一条合理轨迹”提升到“在相同初始观测和动作下，复现可能行为的分布”，并称之为概率对齐。 - 引入 PAWEval 协议，将多次视频生成的结果转化为物理行为的经验分布，从而进行分布级评测。 - 在 50 个场景、11 个当前系统上测试，没有任何一个模型能同时匹配参考概率并覆盖有效行为的范围。 - 论文还测试了语言提示、初始噪声采样和模型训练三种方式能否调整模型的预测分布。 逐节讲解 问题：世界模型需要概率对齐 许多物理过程（如物体掉落、流体运动）在相同初始条件下可以有多种合理走向。因此，一个合格的世界模型不仅要生成一条看起来合理的视频，还应在多次生成中复现出这些可能行为的正确概率分布。论文将这一要求定义为“概率对齐”，并指出当前评测只关注单条视频的合理性，忽略了分布层面的检验。 方法：PAWBench 与 PAWEval 为了量化这一差距，论文构建了 PAWBench 基准，包含 50 个场景，覆盖 11 个视频生成系统。核心评测协议 PAWEval 将多次视频生成的结果转化为物理行为的经验分布（例如物体最终位置、运动轨迹类型），然后与参考概率分布进行比较。这样就能系统性地评估模型在分布层面的表现。 结果与尝试 在 50 个场景和 11 个系统上，没有任何一个模型能同时做到两点：匹配参考概率，并覆盖所有有效行为的范围。论文进一步测试了三种调整预测分布的方法：修改语言提示、改变初始噪声采样、以及模型训练。这些尝试的具体效果在摘要中未展开，但表明该方向仍有较大探索空间。 值得注意 - 原文为论文摘要，信息有限。评测的具体场景类型、11 个系统的名称、以及三种调整方法的具体效果均未在摘要中给出。 - “概率对齐”是一个新提出的评测标准，目前尚无模型达标，但这可能部分源于现有模型并非为分布级采样而设计。