人人都在造世界模型，HappyWorld‑Bench 试着给出一张统一考卷
你有没有看过一个视频，里面有一个机器人在表演，机械夹爪伸向桌面，夹住托盘，向上抬起，它动作流畅，画面逼真，看起来没什么问题。
但如果暂停视频，仔细看托盘底部：你会发现托盘根本没有离开桌面。夹爪抬起来了，托盘也跟着“移动”了，两者之间该有的物理结果并没有发生。模型完成了一段视频，却没有完成这个动作，这是一个视频，但不是现实。
这正是世界模型今天面临的尴尬。大家已经很会“生成”一个“看起来像世界”的东西，但假的真不了。汽车撞上障碍物，应该停下或者变形；杯子被放进抽屉，关上抽屉后它不能凭空消失；把一辆黑车改成红车，旁边的楼不该跟着换颜色。现实世界里，这些事情不需要解释，因为世界有因果，世界是物理的。
但在生成模型中，每一件都可能出错，每一件都可能是幻觉，但带给大家更大的幻觉是，现在大家都说自己在做世界模型。
Google DeepMind 的 Genie 3 在生成可探索的视频世界，World Labs 的 Marble 尝试重建三维空间，具身智能公司则希望机器人先在模型里“想象”动作后果，再决定下一步怎么做 。
一个像导演，一个像建筑师，还有一个像机器人教练。他们从不同角度构建世界模型，也共享着世界模型的概念
三类选手参加三种比赛，用三套规则，最后各自拿着成绩宣布领先。
世界模型行业有点像一所没有统考的学校：每个科目独立出题排名，但是否能被行业应用录取，最终需要综合成绩进行排名。
今年云栖大会上发布了 HappyWorld-Bench，它想把试卷统一起来。
急着造宇宙，托盘还没“抬”起来
HappyWorld-Bench 没有从“什么技术路线才算世界模型”开始争论，而是换了一个更实用的问法：一个模型，至少要会做什么，才说明它真的掌握了一部分世界规律？
表征，是记住这个世界里有什么。桌上有一个杯子，门后有一把椅子，刚才有人把钥匙放进了抽屉。视角变了、物体被挡住了，但这些东西也绝对不能从模型的“记忆”里消失，这是物理；
预测，是知道动作会带来什么后果。推箱子和抬箱子不一样，向左转和向右转也不一样。模型不能只是让画面动起来，而要让变化与动作对应，这是因果；
交互，则是在事情发生之后更新状态。门已经打开，后面的世界就要建立在“门是开的”这个事实上继续运行。不能下一秒又假装什么都没发生，这是现实。
你以为做起来很简单？并不。
HappyWorld-Bench 把世界模型的能力分成 W1 到 W6 六级。
W1 先考“看见”：语义别错，空间别乱，短时间内保持连贯；
W2 开始考“动手”：智能体采取一个动作，物体和环境要给出合理反应；
W3 考记性。一个东西被遮住了，换个视角再回来，它还应该在那里；走过的房间、移动过的物体、已经发生的事件，都必须要继续留在世界状态中；
到了 W4，用户可以主动修改世界。让晴天变成雨天，让黑车变成红车，甚至改变某种行为规则。改动要生效，但不能影响无关内容；
W5 更远。世界可以继续扩展，多个智能体生活在里面，互相通信、合作，也可能争抢资源；
W6 则是目前最接近“终极大题”的一级：生成、仿真、交互和规划被放进同一个系统，模型能够跨环境、跨任务、跨模态运行。
简单说，就是：看得见，推得动，记得住，改得了，扩得开。最后，才谈得上一个通用世界。
不过，这次公布的 1692 个评测案例主要覆盖 W1 到 W5。W6 已经写进能力框架，但还没有真正被这套数据充分测量。它更像试卷最后那道暂时没人能完整作答的题。托盘，还是不一定能“抬”起来。
“看得爽”说了不算
给语言模型判卷，很多时候还能找到一个标准答案。给世界模型判卷，麻烦得多。一段视频是否“好看”，人很容易判断。但它是否遵守物理规律、保存了历史状态、正确响应了操作，“看得爽”说了不算。
所以，HappyWorld-Bench 保留了视频、空间重建和具身三条赛道，同时用相同的能力层级去描述它们。
每个测试案例都要经过构造输入、匹配能力等级、人工复核和编写判据几个步骤。重点在最后一步：不能只写“机器人成功抬起托盘”，而要继续说明，画面的哪个区域、哪个时间点，应该出现什么结果。
托盘离开桌面后，底部应该出现间隙。
这才是判据。
类似地，把黑车改成红车，不只是检查车身颜色。评测还要看道路、背景建筑和其他车辆有没有被误改。模型如果完成了命令，却顺手重建了半条街，也不能算成功。
目前，这套 Benchmark 设置了 29 个评测维度，涉及感知、状态保持、因果推演、可控交互和反事实等能力。它也没有强行把所有结果塞进一个总分。
一部分评测来自 HappyWorld-Arena 中的匿名。两两比较和 Elo 排名，回答“人更喜欢哪个”；另一部分来自针对具体能力的自动化指标，回答“模型究竟在哪一步出了错”。项目说明（Github 链接：https://github.com/LivingFutureLab/HappyWorldBench）也特意把总体偏好与能力分数分开。
因为好看和可靠，确实不是一回事。有些世界第一眼很惊艳，住进去可能处处穿帮。有些世界没那么华丽，但门能打开，路可以走，刚放下的东西不会消失。后者也许更有用。
排名出来了，但“第一名”没那么简单
HappyWorld-Bench 公布了三条赛道的结果。
现在，视频世界模型赛道中，HappyOyster 2.0 preview 整体领先，但 Genie 3 紧随其后，并在运动约束、镜像对应和开放交互等项目上表现突出。
重建赛道更像一场偏科生大赛。
GPT-6-Astra 擅长编辑和扩展，可以把黑车改成红车，把晴天变成雨雾，同时尽量不碰无关区域；
Marble 的基础场景构建更稳定，桌面支撑、物体接触等细节处理得更好；
HYWorld-2.0 则在物理连通性上领先，导航网格覆盖率达到 82.7%，Marble 为 53.6%。
假如只是想搭一个可以看的空间，答案可能是 Marble；如果智能体需要在里面走动，导航区域是否连通就更重要；如果需要频繁修改世界，又是另一个选择。
没有最强，只有特质。
具身赛道里，MiniMax-H3 取得领先，在单步操作、连续动作和成对反事实项目上表现较好。但即便如此，它在 W4 成对反事实任务上的得分也只有 88.62。
所谓成对反事实，是给模型相同的起点，只改变一个动作：一次向上抬，一次向左推。模 型需要生成两个不同结果，而且差异必须准确来自那个被改变的动作。 这比让物体动起来难得多。因为模型不能靠“生成一段合理运动”蒙混过关，它得知道为什么动，以及换一种动法之后会怎样，又回归了表征、预测、交互的链路。
世界模型没有真正的全能冠军。
有人擅长造景，有人擅长改景，有人记性比较好，也有人已经开始摸到因果关系。
有点哲学，也有点玄学。
既是出题人，也是考生
和 HappyWorld-Bench 一起发布的，还有 HappyOyster 2.0 preview。
传统视频生成更像点外卖：写下 Prompt，提交，等待，最后拿到一段成片。不好吃就重新点一次。
HappyOyster 老想把这个过程改成现场做菜， 生成已经开始，用户仍可以继续输入指令，人物可以换动作，物体可以被移动，场景也可以改变，世界不在第一次生成后结束，而是顺着新的操作继续发展。
模型得记住前面发生过什么；刚移动的物体不能自动归位；已经打开的门不能莫名关上；人物、动作、声音和场景也不能各演各的；它需要维持一个不断更新的世界，而不是连续生成几段彼此相似的视频。
很振奋，很期待吧。但稍等等。
HappyOyster 2.0 preview 目前产品还没有面向 C 端开放，外部用户无法独立上手。咱们现阶段能够讨论的，还只有官方展示案例和 Benchmark 结果。
另外，还有一个绕不开的问题：阿里及合作团队参与发起 HappyWorld-Bench，阿里的 HappyOyster 同时又是参赛模型，并拿到了视频赛道第一。
啥？出题人也是考生。
开放和复现变得尤为重要。数据构造，判据制定，其他模型，第三方的相近结果，都需要放在阳光下。
目前，项目已公开代码仓库和技术报告，HappyWorld-Arena（https://skyeval.com/sla/arena/happyworld）也已开放。同时支持大家在线评估，希望大家可以在 arena 平台上选出自己喜欢的世界。
HappyWorld-Bench 真能把试卷统一起来？
HappyWorld-Bench 最有价值的地方，是它试图把原本各说各话的三类模型放进一套能力坐标。一套 Benchmark 发布出来，真正成为行业标准，还需要被不同团队使用、质疑、复现、修改。
但还有一些更难的问题，仍在试卷之外。
世界模型应该预测未来的画面，还是预测画面背后的潜在状态？
模型把未来猜对了，机器人就一定能更好地完成任务吗？
加入世界模型之后，任务成功率提高多少，算力成本又增加多少？
自动驾驶里的安全、意外情况和失败恢复，该怎样测？
世界模型究竟是在生成一个越来越逼真的“世界视频”，还是已经开始帮助智能体做出更好的行动？
HappyWorld-Bench “定义了世界模型行业标准”？不，更准确的说法是，它提供了一种共同参与探讨世界模型的方法：我们不要只放 Demo，也不要只报总分，我们把状态、动作、后果一项项拆出来看，把所有问题都浮现在阳光下。
你说：
机器人抬起托盘时，托盘究竟有没有离开桌面？
感兴趣的朋友，可以看看 HappyWorld-Bench Report：https://arxiv.org/abs/2609.24308