五大高校联手发榜！首份机器人三视角世界模型评测结果出炉，榜单持续更新中

近日，由北京大学、清华大学、北京航空航天大学、上海交通大学、中国科学技术大学联合发起的 TriWorldBench Challenge ，正式公布首周榜单更新结果。

作为首个面向机器人三视角世界模型的评测榜单，TriWorldBench旨在建立更加全面的具身世界模型评价体系，推动世界模型从“视觉生成”迈向“世界理解”。

榜单综合评估模型在三视角一致性、任务执行、物理空间理解等方面表现，面向全球相关研究团队开放参与，目前已收录多个公开评测结果，后续将持续更新评测结果。

（榜单地址：https://www.triworldbench.com/#leaderboard）

第一周的比赛中，来自CASIA-DRL的WoVR_Plus模型、来自TONGJI Spatial Intelligence Team的BetaBWM模型、以及来自Fysics AI的Fysiverse-Video模型占据了榜单的前三席。

TriWorldBench自发布以来，网页总访问量已 破万 ，测评工具下载量超200，网页日访问量逾千；短短一周时间已经有14个正式参赛队伍。

这表明，三视角世界模型的竞争焦点已从单一视图的视觉保真度，转向多视角（head view、left-wrist view、right-wrist view）间的时空一致性与物理逻辑自洽性。

当前排名差异主要源于模型在多视角几何对齐、任务执行准确性及物理动态理解等维度的表现，而非单帧图像的感知质量。

TriWorldBench旨在建立一套系统化评估框架，对上述多维能力差距进行精确量化与可解释性分析，从而推动世界模型从“视觉生成”向“具身认知”范式演进。

该榜单聚焦机器人操作场景中的 head view（头部视角）、left-wrist view（左腕视角）、right-wrist view（右腕视角） 多视角视频生成与理解能力，希望建立更加全面的世界模型评价标准，推动具身世界模型从“视觉生成”迈向“世界理解”。

但对于具身世界模型而言，仅仅生成一段“看起来真实”的视频远远不够。

机器人需要面对的是一个动态、连续、具有物理规律的世界。

在真实机器人系统中，一个任务通常由多个摄像头共同观察：

头部摄像头负责提供整体环境信息，帮助机器人理解任务状态；

腕部摄像头贴近操作区域，可以捕捉抓取、接触等细节。

不同视角之间并不是简单的信息重复，而是共同构成机器人对世界的完整认知。

因此，一个真正可靠的具身世界模型，不仅需要生成单个视角下合理的视频，还需要保证：

这也成为当前世界模型评测体系中亟待解决的新问题。

针对多视角一致性这一核心挑战，TriWorldBench Challenge提出了一套面向机器人操作场景的综合评测体系。

相比传统单视角视频评价方式，TriWorldBench更加关注模型是否具备真实世界理解能力。

TriWorldBench首先关注三路视角之间能否相互对应。

模型生成的头部、左腕和右腕视频，不仅要各自合理，还需要保证：

换句话说，三路视频不能只是分别“看起来合理”，还需要共同描述一次完整、连贯的机器人操作过程。

对于机器人而言，视频生成不是最终目标，完成任务才是核心。

TriWorldBench进一步评估模型对于机器人操作过程的理解能力，包括：

其中，头部视角主要用于判断任务指令、机械臂轨迹和最终结果；腕部视角则进一步检查抓取是否稳定、是否发生滑移，以及夹爪与物体之间的局部交互是否正常。

这意味着，画面看起来足够清晰、流畅，并不代表机器人真正完成了任务。

TriWorldBench希望让世界模型评价从“看起来像”进一步走向“真正可用”。

因此，世界模型不仅需要生成视觉内容，还需要理解：

TriWorldBench希望通过多视角评测，进一步探索世界模型对于真实环境的理解能力。

更重要的是，它能否解释模型为什么得分高或低，并把清晰的改进方向反馈给研究者。

TriWorldBench因此没有把三路视频压成一个简单平均分，而是建立了从同步数据、动作状态到多层结果的完整评测链路。

基准包含500个三视角同步episode，覆盖50个机器人操作任务。

系统围绕三视角一致性、任务对齐、物理与3D一致性、运动质量、时序一致性和视觉质量六个维度，汇总19项评测信号，并以TWB-Score作为榜单总分。

每个生成视角先与对应的真值相机进行对照，再通过head-wrist语义判断和联合三视角问答，检查机械臂状态、动作阶段、接触关系以及目标物体是否相互兼容。评测并不要求视角差异巨大的头部画面与腕部画面在像素上相同，而是判断它们能否共同解释同一次操作。

与此同时，指标会被分配到证据最可靠的相机。头部视角更适合判断任务指令、全局进度、机械臂轨迹和最终结果；

腕部视角更适合观察接触、抓取稳定性、滑移和局部几何。

这样既不会让腕部遮挡影响全局任务判断，也不会让清晰的头部画面掩盖夹爪附近的失败。

TriWorldBench从参考机器人轨迹中构建STATE标注，识别当前动作阶段、活动机械臂，以及每个视角预期处于运动还是静止。

该动的腕部如果长时间冻结会被扣分，不该动的相机出现多余运动同样会被识别。