世界模型元年：三张新考卷，正在重写AI的评分标准

这届WAIC，不是比谁发得多，而是比谁敢换考卷

这届世界人工智能大会，1100多家企业参展，300多款产品全球首发。全场最热的词，是“世界模型”。 但热闹之下，藏着一个被反复掩盖的事实：过去三年，世界模型的进展，早已不是“有没有”，而是“怎么评”。 当十几家主流模型在LIBERO基准上全部挤在96分到99分之间，当视频生成效果全靠人眼打分、观众鼓掌即算通过——技术本身没停步，可评价体系，已经失灵。 分数失真，信任就塌方。于是有人开始拆掉旧考场，亲手铺下三张新卷子。出题人不是学术机构，也不是行业联盟，而是一家从游戏AI起步、持续深耕多模态底层模型的公司：昆仑万维。

第一张卷子：物理世界不给过程分

主角叫Riemann-1.0，黎曼动力发布的首代机器人通用大脑。 它在一项基础家务测试中得了零分：叠衣服、收餐具、整理桌面、堆积木——四件事，一件都没完成。 不是不动，是动了；手伸出去了，动作做对约两成，但结果为零。 为什么？因为仿真环境会给“过程分”：手抬得对，给分；方向偏一点，扣一点。真实世界不认这个逻辑。布料会滑、光线会反、力道差毫厘，后续全崩盘。这就是业内常说的“仿真到现实的鸿沟”。 Riemann-1.0的答案，是用23.2万小时人类第一视角日常视频训练——看人叠衣、收碗、插笔、擦桌。86%的数据来自生活录像，剩下才是机器人实操数据。它不是被指令教会做事，而是“看过日子”后自己长出来的理解力。 真机评测结果：四类家务平均成功率85%，比最强开源方案高出15个百分点；在RoboCasa-365（365类厨房全流程任务）中达到62.6%，第二名为54.2%。 更关键的是两个细节：整套系统运行在单张RTX 4090显卡上，硬件门槛一万元出头；从未见过魔方、也未学过收纳盒，十次尝试，十次成功。 这不是优化参数的结果，而是“见过世面”的泛化能力。 这张卷子没有小数点后的荣耀，只有“做完”或“没做完”。它把评分权，彻底交还给物理世界。

第二张卷子：转身之后，楼还在不在

Matrix-3.5，昆仑万维Matrix-Game系列第三代模型，被谢赛宁团队、NVIDIA与浙大联合项目Light Interaction选作底座，也被SANA-WM、RELIC等国际模型列为对比基准。 但它发布时，只说了一个反常数字：帧率从每秒40帧，降到20帧——慢了一半。 行业发布会只有一种语法：“更快了”。它却主动示弱。 原因只有一个：拿速度换记忆。 此前的世界模型像金鱼，转个身，刚生成的楼就消失了，再回头已是新建筑。Matrix-3.5做的，是把每一帧画面标上三维坐标，存入长期记忆档案。你走出去一分钟再回来，楼还在原处，窗户还是那几扇。 为了守住这“一分钟的还在”，工程上把生成步数压到3步，解码器体积砍掉四分之三，最终停在20帧——一个“记性够用、速度可用”的平衡点。 这道题，谷歌Genie 3闭源演示过，Matrix-3.5选择开源实现。它不讨好眼睛，只服务那些把虚拟世界当真的人。

第三张卷子：耳朵听得到的诚实

Mureka，昆仑万维发布的AI音乐模型，技术材料里印着一个刺眼的数字：28%。 一百首生成歌曲中，经专业评审判定“能听、能用、没跑题”的，仅28首。这不是成品率，是“直接可用率”——卡在用户真实使用门槛上。 它没美化，也没模糊。放宽标准，“能听”就升至70%以上；但它坚持三关全过才计数。 因为它清楚：报90%，用户三次就戳穿；报28%，用户三次反而觉得可信。 更坦白的是另一项取舍：为降低“AI味”，主动降低编曲丰满度，在同轮测试中并非最高。理由很朴素——黄晓明在现场分享录音经历时说，AI demo唱得太完美，反而没了呼吸感；太顺滑，就是没人味。 Mureka把“人味”放在精度之上。它不追求榜单第一，而追求和用户手感一致。 这场发布真正的重点，是流水线能力：从一句话灵感出发，自动生成歌词、人声、角色、成片，直至MV。爱奇艺高级副总裁坐在台下——不是来观礼，而是作为首批客户确认接入。

元年不是起点，是计分方式的重启

“2026是世界模型元年”，这句话的深意，不在技术突破，而在评价重建。 机器人的85%，是物理世界盖的章； 那一分钟的“还在”，是三维坐标写的证； 音乐的28%，是人耳听出来的实底。 三张卷子，三种考官：一个铁面，一个较真，一个无法替换。它们共同指向一件事——分数，终于开始算数了。 旧考场里，满分年年有，名次靠对手名单决定；新考场刚铺开，答案尚无标准，但题目真实、判卷诚实、得分可验。 这一行，开始考真题了。