让图像模型「画未来」,比让它画得好看难得多:给人几张现状图和一本说明书,要求它按顺序画出接下来每一步的世界状态,组装步骤、物理变化、规则推演都得对。美团实习期间完成的研究提出 WorldCast 基准,专考这种多步世界状态预测——论文把模型能力分为 L1-L4 四级,指出高层任务探索仍然不足,WorldCast 瞄准 L3-L4。[arXiv:2610.20731]
320 个案例,三个维度打分
基准包含 320 个人工设计案例、8 个任务类别,合计要求生成 1,352 个视觉状态。类别不按「画什么」分,而按「决定未来过程的信息编码在哪里、需要什么推理才能转成状态转移」来划分,覆盖物理模拟、自适应任务完成、视觉目标实现、上下文程序学习等。一个 L4 案例要求模型读懂家具组装说明书,自己规划组装顺序,渲染出每个中间状态,并保持工作台面和零件外观一致——项目页展示的结果里,GPT-Image-2.5 完成了关键里程碑,Wan 3.0 无法遵循组装顺序。
评分用三个互补维度:任务完成度(TC)、因果合理性(CP,转移是否遵守物理法则和逻辑规则)、视觉一致性(VC,身份、数量、几何、材质是否保持)。GPT-5.5 任裁判按 0-3 分打分,最终分为三项加权重定标。
榜单:断层比想象的大
12 个图像和视频生成系统同协议评测。GPT-Image-2.5 System(配 GPT-6 Astra)拿 72.8 分,论文称其在真实任务上展现早期视觉状态预测能力;Nano Banana Pro 只有 42.8;最强开源模型 SenseNova-U1 总分 20.1——头部闭源与最强开源之间隔着超过 3.5 倍的落差。
难度爬升时分得更开:GPT-Image-2.5 全部五个 L4 类别都超过 60 分,L4 保留 71.6,只比 L3 低 2.2;SenseNova-U1 却从 L3 的 24.4 掉到 L4 的 15.0。级别越高,差距越大。失败模式具体:意外旋转、错误的镜面反射、密度错误、形状漂移、组装顺序错乱。
三个发现
生成模型的强,很大程度是语言底座的强。 把 Nano Banana Pro 配上 GPT-6 Astra 做增强,总分从 42.8 涨到 61.2,仍落后 GPT-Image 家族;把 GPT-Image-2 的底座从 GPT-5.5 换成 GPT-6 只有边际收益,物理模拟一项还退步。生成能力的上限被语言模型的规划推理焊住。
输出格式是隐形变量。 GPT-Image-2.5 从交错式输出切换成网格输出,总分掉 22.7,逻辑与规则类从 74.3 跌到 23.0。四步生成中,弱模型随上下文累积退化,GPT-Image-2.5 保持稳定。
Agent 化还能再抬天花板。 研究者用 Codex 搭了两个等预算 harness:检查-修订循环把 GPT-Image-2.5 从 72.8 推到 80.2,把 GPT-6 增强版 Nano Banana Pro 从 61.2 推到 72.5;代码优先循环先构造并检查中间视觉工件再生成,把最高总分推到 82.4——代码把中间状态显式化了。
所以呢
这份基准的真正信号不是「GPT-Image-2.5 又赢了」,而是图像生成竞赛的重心正从「画得像」移到「推得对」,后者恰好是语言模型的主场。开源侧 20.1 的总分说明高层世界建模任务上开源还没真正入场,要补的可能不是扩散主干,而是规划和推理层。数据集在 Hugging Face(wenhaoyan77/WorldCast),项目页 teal024.github.io/WorldCast 有完整榜单。
当「画得好看」已经饱和,下一个分水岭是:你的模型知不知道下一步世界该长什么样?