TriWorldBench：机器人三视角世界模型评测新体系

当机器人搭载了多个摄像头时，很容易出现视角认知冲突：头部摄像头显示已经完成物体抓取，腕部摄像头却捕捉到机械臂尚未移动；一个视角里目标物体已经放置到位，另一个视角里物体还停留在初始位置。这些看似细微的偏差，暴露出当前具身世界模型的核心痛点——生成的多视角内容可能并不对应同一个真实世界。

如何才能判断一个世界模型，真正理解了机器人所处的物理环境？

近日，国内多所顶尖高校联合发起了TriWorldBench Challenge，推出了全球首个面向机器人三视角世界模型的专业评测榜单。该评测由北京大学、清华大学、北京航空航天大学、上海交通大学、中国科学技术大学共同筹备，旨在建立更全面的具身世界模型评价标准，推动行业从“视觉生成”向“世界理解”跨越。

报名通道及详细规则：https://www.triworldbench.com/

本次评测聚焦机器人操作场景中的三大核心视角：头部视角（用于获取全局环境信息）、左腕视角、右腕视角（用于捕捉近距离操作细节），重点考察模型的多视角视频生成与跨视角理解能力。

传统评测的局限：具身智能需要的不止是“好看的视频”

以往的视频生成模型评测，大多只关注三个基础维度：画面清晰度、内容匹配度以及视频流畅度。但对于面向机器人的具身世界模型来说，仅仅生成一段“看起来真实”的视频远远不够。

• 头部摄像头负责提供整体环境信息，帮助机器人判断任务进度和全局状态
• 腕部摄像头贴近操作区域，可以精准捕捉抓取、接触、滑移等细节交互

不同视角的摄像头并非简单的信息重复，而是共同构建了机器人对世界的完整认知。一个可靠的具身世界模型，不仅要在单个视角下生成合理的视频内容，更要保证多个摄像头观测到的是同一个连贯的物理世界。这也是当前世界模型评测体系中亟待解决的核心问题。

TriWorldBench：三视角驱动的具身世界模型评测体系

针对多视角一致性的核心挑战，TriWorldBench搭建了一套面向机器人操作场景的综合评测体系，相比传统单视角评测，它更关注模型是否真正具备对真实物理世界的理解能力。

一、多视角一致性：三个摄像头是否在描述同一次操作？

TriWorldBench首先验证三路生成视频的相互对应性，模型输出的头部、左腕、右腕视频不能仅各自合理，还要满足以下要求：

• 活动机械臂和动作阶段保持完全对应
• 抓取、接触等操作进度和状态完全一致
• 目标物体的类别、外观和状态不存在任何冲突

简单来说，三路视频需要共同完整地描述一次连贯的机器人操作过程，而不是各自独立的“好看”片段。

二、任务执行能力：机器人是否真正完成了目标任务？

对于机器人系统来说，视频生成只是中间环节，完成实际任务才是最终目标。TriWorldBench会评估模型对机器人操作流程的理解能力，包括：

• 是否准确执行了任务指令
• 机械臂运动轨迹是否符合预期
• 抓取、移动、释放等操作是否符合物理规则

其中，头部视角主要用于判断任务整体进度、机械臂轨迹和最终结果，腕部视角则负责验证抓取稳定性、是否发生滑移以及夹爪与物体的局部交互是否正常。这意味着，一段画面流畅精致的视频，并不代表机器人真的完成了任务，TriWorldBench让评测从“看起来像”转向“真正可用”。

三、物理空间理解：模型是否真正掌握三维物理规则？

机器人所处的是真实的三维物理世界，因此具身世界模型不仅要生成视觉内容，还要理解物体之间的位置关系、动作变化过程以及不同视角下的空间对应关系。TriWorldBench通过多视角评测，深入探索模型对真实环境的空间理解能力。

不止于排名：打造面向研发的模型诊断工具

一个优质的评测榜单，不应只是排出名次，更要能解释模型得分高低的原因，并给出明确的改进方向。TriWorldBench没有将三路视频的评分简化为单一平均分，而是搭建了从同步数据、动作状态到多层结果的完整评测链路。

1. 评测基准与核心指标

本次评测基准包含500组三视角同步操作片段，覆盖50种不同的机器人操作任务。系统从六个核心维度汇总了19项评测信号，最终以TWB-Score作为榜单的综合总分。

2. 多视角协同的任务状态判断

多视角一致性是整个评测体系的核心。每个生成视角会先与对应的真实相机数据进行比对，再通过头部-腕部语义匹配和三视角联合问答，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。评测并不要求头部和腕部画面在像素层面完全一致，而是判断它们能否共同解释同一次完整的操作流程。

同时，评测指标会分配到最适合的视角：头部视角更适合判断全局任务进度和机械臂轨迹，腕部视角则更适合观察局部交互细节。这样既避免了腕部遮挡影响全局判断，也不会让清晰的头部画面掩盖夹爪附近的操作失败。

3. STATE标注：让评测精准判断运动合理性

TriWorldBench从参考机器人轨迹中构建了STATE标注体系，可以识别当前动作阶段、活动机械臂，以及每个视角应该处于运动还是静止状态。如果本该移动的腕部摄像头长时间没有画面变化，或者不该动的视角出现多余运动，都会被系统扣分。这让“稳定”不再等同于全程静止，“动作丰富”也不再天然代表模型理解了任务。

4. 细粒度诊断：不止看排名，更要知道怎么改

视觉质量和美学分数不会脱离任务单独影响排名。如果头部轨迹出现错误，或者三路视频在机器人和物体状态上存在冲突，系统会对视觉质量评分进行任务约束后的修正，避免一段精致但错误的视频凭借“好看”获得不合理的优势。

在语义评测环节，协议会先与人类专家的打分和排序进行对齐，再冻结规则用于正式测试。榜单除了报告综合TWB-Score，还会保留六大维度、单项指标、逐视角评分、头部-腕部配对结果以及三视角联合评测结果。研究团队不仅能看到自身的排名，还能精准定位问题出在任务理解、运动控制、视觉质量，还是三个摄像头之间的世界状态不一致。

这让TriWorldBench更像一套面向研发的“体检报告”，不仅能回答“谁的模型更好”，还能清晰指出“模型需要在哪些方面改进”。

全球团队开放报名，共探具身世界模型未来

TriWorldBench Challenge目前面向全球相关研究团队开放报名，参与对象包括但不限于：

• 具身世界模型研究团队
• 具身智能研发团队
• 视频生成模型团队
• 多视角生成与理解方向研究团队

无论是专注视频生成能力，还是探索机器人交互与空间智能方向的模型，都可以通过这套统一的数据和评测体系参与挑战。

通过公开的评测榜单，TriWorldBench希望为不同技术路线提供公平的比较平台，同时推动具身世界模型领域形成更加统一、科学的评价标准。

未来的机器人，不仅需要“看到”世界，更需要“理解”世界、“预测”世界，并在真实环境中完成复杂的操作任务。TriWorldBench Challenge希望推动行业共同回答一个关键问题：

一个真正具备智能的世界模型，应该如何被科学评价？

期待更多研究团队加入TriWorldBench，共同探索具身世界模型发展的下一阶段。