今年世界模型开始考真题了
我查了一下：
这届WAIC，1100多家企业，300多款产品全球首发。全场最热的词，世界模型。
01
有多挤？做机器人的在发，做AI影视的在办论坛，连做农业的都搞出来一个植物生长世界模型。
7月19号，昆仑万维专场，直接说今年是世界模型的元年；你可能跟我一样，第一反应是：新技术嘛，今年刚冒出来。还真不是。
往回数三年：
2024年初，谷歌DeepMind发了Genie，AI第一次从视频里自己学会什么叫「动作」。2025年8月，Genie 3做到实时交互，你可以在一个AI现场生成的世界里走来走去。
2025年11月，李飞飞的World Labs把世界模型做成了商业产品；三年，四级跳，每一级都有人喊过「重大突破」。
昆仑万维自己早就进场了，Matrix-Game 做到第三代，而且这个系列在圈里的待遇，有点特殊。
第二代开源后，DiT 作者、纽约大学助理教授谢赛宁团队拿它当底座，做出了全球第一个多人视频世界模型 Solaris；第三代，NVIDIA 跟浙大联合发布的 Light Interaction，同样是基于它研发的。
更有意思的是另一件事：NVIDIA 的 SANA-WM、Adobe 的 RELIC，这些国际大厂自己发世界模型的时候，把 Matrix-Game 拿去当了对比基准。
什么意思？别人考试，拿你当分数线。
开源模型混到这个地位，说明什么？去年就能用了。东西早就能用，元年却从今年算起。差别在哪？
是考卷。机器人领域有一张所有模型都要考的卷子，叫LIBERO。
给机器人一堆标准任务，看完成率。这张卷子考了三年，今年考出来的结果有点尴尬：十几家主流模型，分数全挤在96分到99分之间，头部几家互差不到一分，人人接近满分。
相当于高考全省前十名的总分差，还没有一道选择题大。这卷子还能排出名次吗？能，但排出来的名次，连出卷人自己都不信了。
人人接近满分的卷子，说明什么？
卷子废了，测不下去了，你排第几，取决于你把谁放进对手名单；换一批对手，第一名换一个人，这两年发布会上那句「刷新SOTA」越来越不值钱。
根子就在这里：大家刷同一张接近满分的卷子。
世界模型的另一半，也一样；视频生成比什么？画面稳不稳、场景真不真；这些东西有个共同点：全靠人眼。
评委看屏幕打分，观众看演示鼓掌；人眼，是这三年唯一的考官，而这位考官，快被哄满意了。
这就是2026年的处境，旧卷子考不出差距，旧考官快被哄到顶了；一项技术走到这一步，只剩两条路，要么继续在旧卷子上争小数点，要么，换一张不考情面的卷子。
所以，看今年世界模型，别数谁发的东西多；这届WAIC，把三张新卷子一次摆上台面的，是昆仑万维。
02
新卷子第一张，是一台得了零分的机器人。
主角叫 Riemann-1.0。昆仑万维子公司黎曼动力成立后交的第一份作业：一个机器人的「通用大脑」。
先说这个零分怎么来的。
黎曼的技术材料里有一组对照实验：不做预训练，从零训一版模型，装到一台双臂机器人上，做四类家务。叠衣服、收餐具、整理桌面、堆积木。
成功率，0%，不是动都不动。
手伸出去了，东西碰到了，动作做对了大概两成；但四件事，一件都没做完，这就是新卷子的性质。
仿真里那套模型能考 95 分，因为仿真给「过程分」，手伸对了，给一点；方向偏了，扣一点；物理世界不给。
图解：Riemann-1.0技术架构图：画面、机器人状态、动作，在同一个模型里排成一条因果链；先决定怎么动，再预测世界会变成什么样
为什么仿真里的好学生，一到真机就交白卷？
因为仿真是个好脾气的考官：光线永远均匀，桌子永远不晃，衣服的褶皱都是算出来的。
真实世界不惯着，布料会滑，光会反，你夹起衣角的那一下，力道差一点，后面全盘皆输。
这中间的落差有个行话，叫「从仿真到现实的鸿沟」，机器人这一行，多少团队倒在这条沟里。
衣服叠好了就是叠好了，没叠好就是没叠好，没有「差一点」这个分数档，你得诚实；你看，旧卷子上小数点后两位的荣耀，到这里，一次性清零。
那从 0 分到 85 分，中间隔着什么？
23.2 万个小时的录像。
黎曼给这个大脑喂的训练数据里，86% 是人类第一视角的日常视频。人怎么叠衣服、怎么收桌子、怎么把笔插进笔筒。
说白了，这个机器人大脑是看人类过日子长大的。剩下那一小半，才是机器人自己的操作数据。
看录像学来的本事，到底能不能落到机器人手上？19 号这天，昆仑交了卷；官方公布的真机评测里，四类家务，Riemann-1.0 平均成功率 85%，比最强的开源对手高出 15 个百分点。
还有一个更大的考场：RoboCasa-365。
你不知道是啥，没关系，记住它是最接近真实家务的一张考卷就行；365 类厨房长流程任务，从拿食材到洗碗，一套动作做完才算分。它考了 62.6%，第二名 54.2%。
注意这两组数的形状，是拉开身位的领先。新卷子刚换上，区分度就回来了。
还有两个数，比分数更能说明问题。
第一个：整套大脑跑在一张 RTX 4090 上，对，就是你打游戏那张显卡，一个机器人「通用大脑」的硬件门槛，一万多块钱。
第二个：评测里有一项，让它把魔方放进收纳盒；训练里从来没教过魔方，也没教过这个盒子，十次，十次成功。
没教过的事它也会，这才是那 23 万小时录像真正换来的东西：见过世面的。
这张新卷子有个代价：很贵，贵到逼着每个来考试的，都得拿别的东西去换，屏幕里的那个模型，刚交了一笔学费。
03
另一笔学费是什么呢？答案是：速度。
这个模型叫 Matrix-3.5，前面提过那个被谢赛宁团队当底座的 Matrix-Game 系列，最新一代。
它的发布材料里有一个数，放在任何一场发布会上都像印刷错误：上一代每秒 40 帧，这一代每秒 20 帧。
慢了，整整一半。
这个行业发布会的语法只有一种：「更快了」；帧数翻倍、延迟减半、响应提升，观众一听就懂，评委一看就给分，你找不出第二家主动说「我们变慢了」的公司。
所以，这个数只有一种解释：它拿这一半的速度，换了一个它认为更值钱的东西，换的是记性和算力轻量化。
以前的 AI 生成世界有个毛病，像金鱼；你往前走，楼是楼、树是树；转个身再回头，楼没了，原地换了栋新的，它把自己一秒钟前造的东西，忘了。
世界模型喊了三年「构建虚拟世界」，卡就卡在这里：想让世界记得住自己。
Matrix-3.5 干的事，说白了，就一句话：
把 AI 看过的每一块画面，标上三维坐标，存进档案，你转回头，它是去档案里把原来那栋调出来。
转身，楼还在；走出去一分钟再回来，楼还在原处，窗户还是那几扇；这一分钟的「还在」，就是那 20 帧买回来的东西。
得说清楚：慢一半，是多卡变单卡，选了以后再拼命往回追。
为了不让 20 帧继续掉成 10 帧，工程上把生成步数从几十步压到 3 步，解码器砍掉四分之三的体积，先选记性，再把速度一点点捞回来，最后停在 20 帧这个两头都还能用的位置。
这是一笔算得清清楚楚的账。
顺便说一句「转身楼还在」这道题的行情：此前全球做得最好的是谷歌 Genie 3，闭源，只能看演示，Matrix 这套，开源。
你发现没有，这个选择跟机器人是同一个动作，机器人把评分交给物理世界，屏幕外考了一张不考情面的卷子。
Matrix-3.5 放弃「更快」换「记得住」，屏幕里主动挑了一道更难的题；快，讨好眼睛；记得住，讨好把这个世界当真的人。
屏幕外考了一张，屏幕里考了一张。还剩最后一个考场，它永远不会有标准答案。
04
比如：音乐。音乐请不出去。一首歌好不好听，宇宙里没有任何一条定律能裁决；这道题的考官永远是人的耳朵。你换不掉。
那在换不掉考官的考场里，「元年」两个字怎么立？
昆仑这场论坛发的第三个模型，AI 音乐 Mureka，给了一个答案：换不掉考官，就对考官交实底。
它的技术材料里有一个数，我很少在发布材料里见到这么不讨喜的数：
让新模型生成一百首歌，请专业评审同口径打分；能听、能用、没跑题，三关全过的，二十八首；这一轮评测里的综合可用率，28%。
这数好看吗？不好看。
你先别替它可惜。想想自己，你用 AI 生过图吗？写过文案吗？十次里，能一个字不改直接拿去用的，有几次？
对，就这感觉；28% 这个数，跟每个用过 AI 的人的手感，是对得上的。
而且你倒过来想：一家公司敢把 28% 印出来，说明它心里有另一本账。
这 28% 是三关全过的成品率，卡「直接能用」的标准；放宽一关，只算「能听」，这个数立刻高出一大截。它不放宽。
因为它清楚，用户手里的体感是藏不住的：你报 90%，用户用三次就戳穿了；你报 28%，用户用三次，反而觉得你没骗他。
而「对得上」这三个字，在今年的发布会季里，比任何一个漂亮数字都稀缺；满场都是 99% 和「遥遥领先」，你有多久没见过一家公司，把自己不到三成的良品率印在发布材料上了？
不止这一个数，同一份材料还认了另一笔账：
为了让歌听起来「更有人味、更少 AI 味」，编曲的丰满度做了让步，这一项在同轮测试里，不是最高。
这个取舍，论坛现场刚好来了个人证。
圆桌上，黄晓明说起自己录新歌的经历：作曲是人写的，唱 demo 的全是 AI。他第一反应是「怎么唱得这么好听，我要是能唱到这个程度就好了」。
结果制作人给他泼了盆冷水：就因为他是 AI，太完美了，好到完全没有呼吸，没有人味。
一个唱了几十年歌的人，被 AI 的「太好」扎了一下；太完美，恰恰是 AI 味的来源；有呼吸、瑕疵，才是人味的来源。
Mureka 把编曲的丰满度让出去，换「更少 AI 味」，赌的就是这个方向。
图释：WAIC昆仑万维世界模型与多模态范式革命论坛专场
你看，短板，自己写出来的，这就是没有标准答案的考场里的考法：给不了物理世界那种铁面的分数，就给一个不掺水的分数。
顺便说一句，黄晓明真用过。
他让Mureka 照着杨宗纬的风格生成了一首抒情歌，他给出的评价是「Mureka确实也不错」，还特意补了一句：词还挺触动人心的。
前两个考场，靠换考官立信，这个考场靠对考官诚实立信；路不同，方向是同一个：让分数重新变得可信。
至于 Mureka 这次发布本身，我认为重点在流水线。
它把 AI 音乐从「生成一首歌」做成了「从一个念头一路做到 MV」。你给一句话，它出歌词、出人声、出角色、出成片。
而且，台下坐着的爱奇艺高级副总裁，是这条流水线的客户；AI 音乐商业化走到哪一步，看谁来支持，谁打的这张牌，这个生态怎么玩就够了。
三个考场，都交卷了。
回头看昆仑这场论坛说的「2026 是世界模型元年」。元年这个词，通常被理解成「这一年，我们做成了什么」。
三张卷子放在一起看，意思恰恰相反：元年，是从这一年起，分数开始算数了。
机器人的 85%，是物理世界给的分；那一分钟的「还在」，是三维坐标给的分；音乐的 28%，是对着人的耳朵报的实底；三个分数，没有一个需要发布会的掌声来撑。
旧卷子上的满分年年有，新卷子上的分数，今年是第一批，至于这批分数到年底能涨到哪？卷子刚发下去，别急着对答案。
你就记住一件事：这一行，开始考真题了。
核心数据参考资料：
[1]黎曼动力Riemann-1.0技术报告、昆仑万维Matrix-3.5及Mureka V9.5/O3发布材料；Google DeepMind Genie系列公开论文、LIBERO与RoboCasa-365基准公开数据、WAIC 2026官方数据
本文来自微信公众号 “王智远”（ID：Z201440），作者：王智远，36氪经授权发布。
