--- title: 【DL輪読会】WorldMark: A Unified Benchmark Suite for Interactive Video World Models tags: author: [Deep Learning JP](https://www.docswell.com/user/DeepLearning2023) site: [Docswell](https://www.docswell.com/) thumbnail: https://bcdn.docswell.com/page/GJ8DDW3KJD.jpg?width=480 description: 【DL輪読会】WorldMark: A Unified Benchmark Suite for Interactive Video World Models by Deep Learning JP published: April 30, 26 canonical: https://www.docswell.com/s/DeepLearning2023/Z4NEQW-2026-05-01-111742 --- # Page. 1 ![Page Image](https://bcdn.docswell.com/page/GJ8DDW3KJD.jpg) DEEP LEARNING JP [DL Papers] WorldMark: A Unified Benchmark Suite for Interactive Video World Models Yang Hu, Matsuo Lab, M1 http://deeplearning.jp/ # Page. 2 ![Page Image](https://bcdn.docswell.com/page/LJLMMNVPER.jpg) Infos 題名 WorldMark: A Unified Benchmark Suite for Interactive Video World Models 著者 Xiaojie Xu, Zhengyuan Lin, Kang He,Yukang Feng, Xiaofeng Mao,YuanyangYin, Kaipeng Zhang,Yongtao Ge リンク - Arxiv https://arxiv.org/abs/2604.21686 - PRJ Page https://alaya-studio.github.io/WorldMark/ - Arena https://warena.ai/ 2 # Page. 3 ![Page Image](https://bcdn.docswell.com/page/47MYYXG27W.jpg) Introduction Interactive Video World Modelsの例 画面の美しさ、 アクションに対する忠実性、 長期的なシーン記憶の保持能力 … 重視すべき評価軸が多い一方で、 統一されたベンチマークはまだ存在しない！ 3 # Page. 4 ![Page Image](https://bcdn.docswell.com/page/P7R99NZ5E9.jpg) Introduction 既存benchmarkの問題点 標準化された 統一環境にの キーボード 難易度階層 シーンとアクション モデル間比較 インタラクティブ性 4 # Page. 5 ![Page Image](https://bcdn.docswell.com/page/PJXQQN9X7X.jpg) Overview 50 reference images realistic / stylized first-person / third-person 5 action sequences 合計 500 ケースの参照画像 生成し、 評価する 統一されたアクション空間 5 # Page. 6 ![Page Image](https://bcdn.docswell.com/page/3JK99NP9JD.jpg) Evaluation Dimensions Visual Quality Control Alignment - Translation Error - Rotation Error - Aesthetic Quality - Imaging Quality World Consistency - Reprojection Error - State Consistency - Content Consistency - Style Consistency ３つの次元で、 合計8つの指標で 評価する 6 # Page. 7 ![Page Image](https://bcdn.docswell.com/page/LE3WWVX9E5.jpg) Evaluation Dimensions Visual Quality Control Alignment - Translation Error - Rotation Error - Aesthetic Quality - Imaging Quality World Consistency - Reprojection Error - State Consistency - Content Consistency - Style Consistency LAION → 美学 MUSIQ → ノイズ 7 # Page. 8 ![Page Image](https://bcdn.docswell.com/page/8EDKK8287G.jpg) Evaluation Dimensions Visual Quality Control Alignment - Translation Error - Rotation Error - Aesthetic Quality - Imaging Quality World Consistency - Reprojection Error - State Consistency - Content Consistency - Style Consistency DROID-SLAMでビデオから カメラの3D経路を再構築 ユークリッド距離と測地距離 を測る 8 # Page. 9 ![Page Image](https://bcdn.docswell.com/page/V7PKK81WJ8.jpg) Evaluation Dimensions Visual Quality Control Alignment - Translation Error - Rotation Error - Aesthetic Quality - Imaging Quality World Consistency - Reprojection Error - State Consistency - Content Consistency - Style Consistency Dense Bundle Adjustment + VLM (Gemini-3.1-Pro) 9 # Page. 10 ![Page Image](https://bcdn.docswell.com/page/2JVVVNY9JQ.jpg) Experiment YUME 1.5 Matrix-Game 2.0 HY-World 1.5 HY-GameCraft Open-Oasis Genie 3 6つのモデルで評価を行った 使う画像：Real images 25 + Stylized images 25、それぞれ一人称と三人称 アクション：画像ごとに5つのアクション 10 # Page. 11 ![Page Image](https://bcdn.docswell.com/page/5EGLLK94JL.jpg) Results First person real First person stylized Third person (real + stylized) 要するに、 Visual Quality最強：YUME、HY-World Control Alignment最強：HY-Game World Consistency最強：Genie3 11 # Page. 12 ![Page Image](https://bcdn.docswell.com/page/4JQYYNWR7P.jpg) Key Findings Visual QualityとWorld Consistencyの関連性が弱い - YUMEの美学点数が高いが、画面が崩れやすい - Genie3の画質が中程度しかないが、一貫したワールドを維持できる 優れたControl Alignmentは、クオリティの向上を意味するとは限らない - HY-Gameは正確なコントロールをできるが、画質が悪い 三人称視点の生成は極めて難しい - 各モデルの性能が大幅に下降する 12 # Page. 13 ![Page Image](https://bcdn.docswell.com/page/K74WWGKQE1.jpg) Conclusion 背景 Interactive video world modelのベンチマークがない 手法 統⼀された参照画像とアクションで、8つの指標上に評価を⾏う 結果 World Model Arena (warena.ai) を⽴ち上げ、ライブでの並列⽐較 のためのプラットフォームを提供した 13