🔥 今日值得一读
GPT-Image-2.5狂揽72.8分，开源模型仅20.1，世界状态预测差距惊人
WorldCast: Exploring Intelligent Visual Generation in World State Prediction
👨💼 主理人解读 · 为什么值得关注
帮助开发者理解视频生成模型在世界状态预测上的能力边界，指导构建更智能的生成系统。
📖 AI 总结
该研究聚焦多模态生成模型在世界状态预测中的能力，提出将模型能力划分为四个层级，并指出高层任务仍缺乏充分探索。为此，作者构建了WorldCast基准，包含8类共320个手工设计案例，用于评估模型从多模态观测与多样参考中预测连续未来世界状态的能力。实验对12个代表性模型进行测试，发现前沿模型正快速推进智能世界建模边界，GPT-Image-2.5系统得分72.8，已展现初步的真实场景视觉状态预测能力；但模型间差距显著，Nano Banana Pro仅得42.8，最佳开源模型仅20.1，在复杂上下文、纠缠参考和重推理任务上表现不足。研究还发现，强生成模型能有效借助其底层语言模型能力。这些结果凸显了构建兼具动态规划、推理与深度统一能力的多模态生成模型的必要性。
🔑 关键词速览
| WorldCast | 本文提出的多步世界状态预测基准，包含八个类别共 320 个手工设计案例，用于评估模型的智能世界建模能力。 |
| 多步世界状态预测 (Multi-step World State Prediction) | 一种高层次任务，要求模型从多模态观测和多样化参考中预测连续的未来世界状态。 |
| 四级层次结构 (Four-level Hierarchy) | 本文用于组织模型能力的分类框架，将世界建模任务按能力高低划分为四个层级。 |
| 纠缠理解与生成 (Entangled Understanding and Generation) | 指模型需要同时具备并深度融合理解与生成两种能力，以完成复杂的世界状态预测任务。 |
| GPT-Image-2.5 System | 在 WorldCast 基准上取得 72.8 分的前沿模型系统，展现出早期阶段的真实世界视觉状态预测能力。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅