世界模型评测平台WorldOracle发布后，受到关注的不只是又多了一个模型榜单，而是评测开始对照机器人在现实操作中的结果。据证券日报网报道，10月16日，智元联合英伟达（NVDA）、普林斯顿大学、得克萨斯大学奥斯汀分校、多伦多大学等机构研究人员，发布这一动作驱动评测平台，并向开发者开放提交。WorldOracle将模型生成的预测视频与真实操作过程比较，关注模型能否预测动作会带来什么变化，这把评测重点从“画面像不像”进一步推向“操作结果准不准”。
这一变化对应着世界模型进入机器人应用时的一道实际关口：系统不能只生成看起来合理的未来画面，还要为机械臂的行动提供可用判断。机器人伸手抓取物体后，物体是否移动、是否被拿稳，都会影响后续动作。若模型对结果预测偏差较大，规划和策略评估就可能建立在错误预期上。WorldOracle以真实执行数据作参照，让不同模型面对相同类型的操作结果进行比较，评测因而更贴近动作决策所需的信息。
平台已收录335条真实操作轨迹，涉及水果抓取、毛巾悬挂、倒水和抽屉开合等任务；其中约40%的交互片段包含失败或次优操作。这类样本的意义不只是增加任务种类。现实操作并非每次都顺利完成，模型如果只在理想结果上接受检验，可能难以呈现它对偏差、失手或不完整动作的判断能力。把不够理想的执行过程纳入对照，也让评测能观察模型是否预见到动作未按预期发展的后果。
对普通读者而言，差别可以放进一个简单场景理解：机械臂按计划去抓水果，模型预测的不应只是手臂移动的轨迹，还要涉及水果是否被抓起、位置是否改变等后续状态。类似地，倒水和抽屉开合也不只是画面变化，而包含物体与环境之间的连续交互。WorldOracle比较预测视频和真实执行过程，检验的正是这些动作前后关系是否对应。它并不等同于直接证明机器人已经能稳定完成任务，而是提供一把衡量模型预测能力的尺子。
研究团队对7个代表性世界模型进行了评测。报道中提到，当前模型对机械臂运动的预测相对较好，但对物体状态变化、长时间连续操作以及复杂交互结果的预测仍有不足。这一结果显示，运动轨迹准确和完整理解操作后果并不是同一项能力：手臂怎么移动较容易被观察，物体接触后的状态以及多步动作之间的影响，则要求模型持续跟踪变化。WorldOracle的分项评测由此能呈现能力差异，而不只用一个笼统分数概括表现。
WorldOracle还开放评测榜单和提交渠道，开发者可以提交模型预测结果，与真实操作数据对照。这使平台不只承担一次性测试，也提供了围绕同一参照检验模型的入口。对机器人规划、策略评估和训练而言，预测结果是否贴近实际操作，是连接模型输出与机器执行的重要一环。WorldOracle所呈现的关注点因此落在“能否预测行动后果”上：画面生成仍是能力的一部分，但真实交互中的状态变化，才是判断其能否服务机器人任务的重要尺度。
