视频世界模型正在从短片生成走向可操作的环境模拟，但画面连贯、动作可控，并不等于模型能支撑长期交互。PlayWorld瞄准的正是这一差距：不再要求不同模型执行完全相同的动作序列，而是让多模态 Agent Player 围绕指定目标自主交互，再评估目标过程与结果。

为什么固定动作脚本不够

同一目标在不同世界模型中，可能需要完全不同的操作路径。例如，检查环境是否保持一致，可以让玩家转身360度；验证水体反馈，则要先走入水中，再观察是否出现符合预期的波纹。若直接向所有模型输入固定动作，动作可能与各自生成的环境不匹配，因而难以形成公平的横向比较。

PlayWorld将评测单位从动作序列改为长期目标。多模态智能体根据观察持续选择动作，尝试在不同模型中完成同一个任务。这样的设计更接近人类实际体验交互式世界模型的方式，也把规划、观察和反馈纳入了测试流程。

171个场景如何衡量长期可靠性

该基准包含171个带明确目标的场景，并从四个核心维度评估模型：几何一致性、交互真实性、视野外演化和视野内演化。此外，它还保留视频质量与可控性等基础能力指标，避免只看任务是否完成而忽略生成质量。

论文对九个先进世界模型进行了实验。结果显示，现有模型在长期交互目标上仍不可靠，问题尤其集中在空间一致性和状态持续演化：环境可能无法在多次移动、转向或离开视野后维持稳定，交互造成的变化也未必能够被长期保存。

我的判断

PlayWorld的价值在于改变了比较对象：从机械复现同一串动作，转向让智能体追求同一目标。这更适合环境结构不同、操作路径不固定的交互式视频模型，也能暴露短时画质指标覆盖不到的长期错误。

边界也很明确：评测结果不仅涉及世界模型，还会受到 Agent Player 的观察与行动能力影响。仅凭摘要无法判断智能体策略的稳定性、不同运行之间的方差，以及各维度的具体评分方式。因此，它更适合作为长期交互可靠性的补充基准，而不是取代视频质量、可控性或固定条件测试的单一总榜。