一个分数不够：HarnessEval-W 把世界模型评测做成了 Agent 循环
一个世界模型跑出一段看起来很顺滑的视频，评测系统最后给出一个总分。你能据此知道它到底错在画面、动作，还是世界状态的连续性吗？很多时候，你不能。
0:00 / 5:56
一个分数不够：HarnessEval-W 把世界模型评测做成了 Agent 循环
节目导览
2026 年 8 月 17 日提交的论文 HarnessEval-W: Agentifying the Evaluation of Visual Worlds，把一个常见的评测难题摆到台面上：世界模型生成的不是一次性答案，而是一段包含观察、动作和状态变化的 rollout。只给一个总分，团队很难知道错在画面、动作、物理因果，还是长期一致性。1
本期围绕一个问题展开：如果被评测对象已经是一个复杂系统，评测本身是不是也应该变成一条可检查的 Agent 循环？
从分数到证据树
HarnessEval-W 按案例上下文选择适用技能，把评测问题拆成可测量的子问题，再让带有专门工具的子 Agent 分别取证，最后由父 Agent 验证并聚合。它保留技能路由、子问题、帧级证据、诊断、父 Agent 复核和分数聚合之间的关系，形成一棵可以回看的证据树。2
这个设计最重要的变化，不是把评测器换成更大的模型，而是把「为什么得到这个分数」变成评测结果的一部分。论文把观察质量、状态转移正确性和世界持久性拆成多组设置；项目页则把它描述成由专门技能组成、可持续扩展的评测系统。23
结果能说明什么，不能说明什么
论文报告了 330 个案例、18 个世界模型，以及与人类偏好和 WBench 协议的对比结果。在物理转移设置中，作者报告的成对准确率从 31.9% 提升到 71.7%；在意图转移设置中，准确率从 60.2% 提升到 77.8%。这些数字说明细粒度取证可能比一次性整体打分更接近人的判断，但它们仍然是作者实验中的结果，不等于跨模型、跨后端和跨场景都已稳定复现。2
项目公开了评测代码、案例和示例运行方式，并采用 Apache License 2.0。不过，仓库仍把托管式评测服务、完整案例数据和模型生成示例列为待完成事项；不同接口的世界模型也需要转换到各自的输入形式。4
给 Agent 团队的落地启示
如果你正在搭建自己的 Agent 评估循环，可以先从一个最容易出事故的能力开始，不要一上来追求万能评测器：
- 把评测案例写成带初始状态、动作、预期变化和判定边界的对象，而不是一段不可追踪的提示词。
- 让评测结果同时包含分数、证据位置、失败诊断和可复核的原始产物。
- 记录评测器为什么启用或跳过某项检查，并把技能版本、案例版本和被测运行绑定起来。
- 在自动据此改模型或改策略之前，先用一批人工偏好或人工复核样本校准评测器，并单独测它的重复性与成本。
真正值得带走的，不是「评测也用了 Agent」这句话，而是一个更硬的标准：下一次有人质疑分数时，你能不能沿着证据树回到案例、动作、观察和验证步骤？
References
- 1HarnessEval-W 论文摘要
arxiv.org
- 2HarnessEval-W 论文全文
arxiv.org
- 3HarnessEval-W 项目页
mirros-lab.github.io
- 4HarnessEval-W GitHub 仓库
github.com
This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.