WorldCast基准发布：GPT-Image-2.5领跑世界状态预测评测

事件核心：发生了什么

根据论文摘要（目前公开信息为摘要，未经全文核验），研究者将多模态生成模型的能力分为四级，发现高层任务探索不足。为此，他们构建了 WorldCast 基准，要求模型从多模态观察和多样参考中预测连续的未来世界状态，涉及人类动作序列、物理变换和抽象视觉推理。基准共320个手工设计案例，分属8个类别，评测了12个代表性模型。

关键数据：GPT-Image-2.5 系统得分72.8，展现出早期视觉状态预测能力；Nano Banana Pro 仅42.8；最佳开源模型20.1。摘要还指出，强生成模型能有效利用其底层语言模型的能力，但复杂上下文、纠缠参考和重推理任务仍是短板。

为什么重要

这项评测把“世界状态预测”从概念推向了可衡量的任务。它意味着图像生成模型不再只追求单张图的逼真度，而要像大模型一样具备多步推理和动态规划能力。对行业来说，这可能会影响多模态模型的训练目标和评测标准——闭源前沿模型（如 GPT-Image-2.5）暂时领先，而开源模型差距较大，20.1 的分数说明复杂推理型生成任务远未解决。如果这类能力成熟，AI 应用将从内容创作延伸到模拟推演、机器人规划和交互式世界模型。

对用户/开发者/创作者的影响

对开发者，WorldCast 提供了可参考的评测维度，但摘要未提及数据集或代码是否开源，目前无法直接用于训练。对创作者，短期影响有限，因为该基准测试的是多步预测而非单次出图质量，但长期看，模型若能理解动作序列和物理变化，视频生成、游戏资产生成和故事板工具可能受益。对企业采购，高分数模型在实际任务中的可靠性仍需验证，不建议仅凭单次评测做选型决策。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

值得关注的后续

1. 论文全文是否公开实验细节、失败案例和模型调用方式；2. WorldCast 基准是否会开源，以及是否有更多模型跟进评测；3. 前沿模型在动态规划和推理增强方向上的迭代速度，尤其是开源社区能否缩小与闭源模型的差距。

来源：Hugging Face Papers