行业技术发展趋势 - 当前视频生成模型（如Sora、Veo、Cosmos）在视觉逼真度上进展迅速，但普遍存在对物理世界理解不足的根本问题，在生成机器人操作等视频时会出现“夹爪穿模、物体凭空消失、时序错乱”等物理违规现象 [1] - 行业技术竞争正从追求“看起来像”转向追求“真能干活”，一场以“功能可用”为目标的全球性技术竞赛已经打响 [2] WorldArena挑战赛概况 - WorldArena Challenge是依托CVPR 2026 Video World Model Workshop举办的国际挑战赛，由高德地图视觉技术中心、流形空间和清华大学牵头，联合普林斯顿大学、新加坡国立大学、香港大学等全球顶尖学术机构共同主办 [4] - 比赛核心理念是“真能干活”，评测体系不仅关注视频质量，更聚焦于生成内容是否遵循物理规律、是否能支撑机器人实际操作 [4] - 比赛基于由清华大学等8所顶尖高校联合研发的WorldArena Benchmark，涵盖16大核心指标和3大真实应用任务，旨在推动世界模型从“视觉逼真”向“功能可用”转型 [4] 挑战赛技术评估体系 - 赛道一（视频感知质量）：从视觉质量、动作质量、内容一致性、物理法则遵循度、可控性和3D准确性六大维度，通过16项量化指标进行全方位评测，最终通过EWMScore整合为统一综合分数排名，核心是比谁的视频最“合理” [6] - 赛道二（具身任务功能性）：这是赛事的核心创新方向，首次将评测延伸至真实的具身任务执行层面，围绕世界模型在具身智能中的三大核心使用价值展开评估：作为数据合成引擎、作为策略评估器、作为行动规划器 [8] - 赛道二将率先开放数据合成引擎与策略评估器的提交通道，对于排名靠前的方案，后续将引入行动规划器进行额外加权打分 [8] 高德（阿里巴巴）的技术布局与开源模型 - 作为赛事主办方之一，高德为降低参赛门槛，已将其世界模型ABot-PhysWorld完全开源，该模型目前在WorldArena Leaderboard上排名领先 [10] - ABot-PhysWorld是高德即将发布的ABot-World系列的首个子工作，聚焦于具身场景下的物理一致性视频生成，其核心目标是“物理真实性”而非仅“视觉合理性” [11] - 在WorldArena官方排行榜（截至2026年4月10日）上，ABot-PhysWorld以62.63的综合得分排名第一，在视觉质量（64.41）、内容一致性（63.37）、3D准确性（85.46）和可控性（63.11）等分项上表现突出 [12] - 该模型在技术实现上取得多项关键突破：使用从300万原始数据清洗出的30万高质量SFT数据，覆盖本体、任务、场景和物体四维泛化；通过VLM-as-Judge构造1万条偏好数据对进行DPO偏好对齐，减少物理违规；使用11万条动作控制数据实现Dense Action Map精细控制 [13] - 在独立的PAI-Bench基准上，ABot-PhysWorld以0.8491的综合得分和0.9306的领域得分刷新SOTA，显著超越GigaWorld、Wanx-2.5、Veo 3.1、Sora 2等模型，成功打破了“视觉质量与物理合规性”之间的权衡 [14] - 主办方明确ABot-PhysWorld不参与最终评奖，已开放完整模型权重、训练代码及数据处理流程，供参赛团队在此基础上进行优化 [15] - 高德今年以来在具身智能领域动作频频，结合此次开源及ABot-World系列的预告，显示其在具身世界模型领域的产业布局正持续深化 [15] 参赛与赛程信息 - 赛事总奖金池超过14,000美元，各赛道分设一、二、三等奖，获奖团队将获得CVPR Workshop报告展示机会 [17] - **赛道一（视频感知质量）**一等奖奖金为3000美元 [25] - **赛道二（具身任务功能性）**一等奖奖金为4000美元 [27] - 提交通道已开放并支持实时刷榜，最终提交截止时间为2026年5月25日，结果将于6月1日公布，颁奖典礼于6月4日在CVPR期间举行 [17][21] - 参赛流程简洁，预计半天即可完成首次提交，主要步骤包括准备数据、生成视频和打包提交 [18]