提出iWorld-Bench基准及统一动作生成框架,构建包含33万视频片段的多样化数据集并设计6类交互任务,用于系统评估交互式世界模型在视觉生成、轨迹跟踪及记忆等方面的性能,并揭示了现有模型的关键局限性。
机构:清华
来源:arXiv 2605.03941 | AI4Papers 论文推荐平台