PAWBench：视频生成模型距离概率对齐的世界建模还有多远？

研究提出 PAWBench 基准与 PAWEval 评估协议，将概率对齐形式化为世界模型的分布级判据，用重复生成视频的经验分布检验模型能否还原同一初始观测与动作下的行为概率分布。在 50 个场景、11 个现有系统上，没有模型能同时稳定匹配参考概率并覆盖有效行为范围。研究还测试了语言提示词、初始噪声采样与模型训练能否重塑模型的预测分布。