本篇是交互式世界模型的评测基准论文 [2605.03941]，其相关簇按"距离"分三圈，需先诚实标注亲疏，避免把弱关联当强关联：
近圈（同一问题空间）：
中圈（技术组件重叠）：
远圈（仅 category=algorithm + 视频生成生态旁蹭）：
category: algorithm 标签。诚实结论：这两篇不应被视为本篇的有效对照，纳入 scope 是分类粒度过粗的产物。vs NoLiMa（最有价值的对照）——同一"揭露评测捷径"的方法论，作用在不同维度：
| 维度 | NoLiMa (2502.05167) | iWorld-Bench (2605.03941) |
|---|---|---|
| 被揭露的捷径 | 词面重叠 (literal match) 让检索变 trivial | 动作定义不统一让跨模态比较不公平 |
| 消除捷径的手段 | 强制 ROUGE R-1 降到 0.069（无重叠） | 统一动作字典（729→81 动作，唯一映射到三类信号） |
| 揭露的脆弱性 | 注意力稀释：长上下文性能崩溃 | 生成质量 vs 可控性权衡：无模型全维度领先 |
| 因果验证手段 | 加回 literal match → 性能恢复（双向消融） | 与人类偏好对齐 $r_s=0.8053$（无消融，靠外部锚定） |
Delta：iWorld-Bench 的方法论新意在于"动作空间的本体统一"是主动构造出来的可比性，而不像 NoLiMa 那样"减法式"去掉捷径 [2502.05167]。NoLiMa 用双向消融（加回 literal match 恢复到 87–93%）建立因果 [2502.05167]，因果链更硬；iWorld-Bench 缺少等价的消融（如"打乱动作字典映射→排名是否失效"），仅靠人类偏好相关性锚定有效性 [2605.03941]——这是本篇相对 NoLiMa 方法论严谨度的退步。
vs DreamerV3——被测对象 vs 测量工具的互补关系：
DreamerV3 证明"固定超参跨 8 类域"靠的是量纲无关变换（symlog/twohot/free-bits/百分位归一）[2301.04104]；iWorld-Bench 追求"固定指标跨三类控制模态"靠的是动作字典 + 9 个归一化到 $[0,1]$ 的指标 [2605.03941]。共同哲学：都用"归一化到量纲无关空间"消除跨设置的不可比性。Delta：DreamerV3 的归一化服务于训练稳定 [2301.04104]，iWorld-Bench 的归一化服务于评测公平；且 DreamerV3 有严格消融（每项 trick 移除都在某任务子集退化）[2301.04104]，iWorld-Bench 的 9 指标等权聚合则被作者自认与人类感知不匹配（AC3D 排名翻转 O-Rank 4 vs H-Rank 9）[2605.03941]。
vs SageAttention 家族——潜在但未被本篇触及的交叉：
SageAttention 的核心洞察是"$K$ 的 channel outlier 是共享偏置，减均值精确保持 softmax 分布" [2410.02367]，SageAttention3 用两级量化把 FP4 scale 撑满 E4M3 动态范围 [2505.11594]。二者证明量化在 CogVideoX/HunyuanVideo 上"平均质量维持但有模型相关退化"（HunyuanVideo FScore −0.247）[2505.11594]。Delta / 空白：这些质量指标（CLIPSIM/FID）都是静态生成质量，完全不测动作可控性——而 iWorld-Bench 恰恰指出可控性与生成质量是正交维度 [2605.03941]。没有任何一篇检验过"量化是否损害轨迹跟随能力"（见 §5）。
攻击点 1：9 指标等权算术平均缺乏最优性论证——本篇自曝的最大软肋。 本篇声称 Avg 可直接算术平均因所有指标归一到 $[0,1]$ [2605.03941]，但作者自己在 Appendix E 承认 AC3D 排名翻转（客观均分靠 Memory 0.9068/Smoothness 0.9919 撑起，Image Quality 0.4573 倒数第二，人类却更看重感知）[2605.03941]。对照 NoLiMa：NoLiMa 用可解释的单一维度（effective length）而非等权聚合，避免了此问题 [2502.05167]。iWorld-Bench 应给出"感知加权聚合"的校准而非默认等权。
攻击点 2：Motion Smoothness 近饱和却仍占权重，稀释排名信号。 该指标均值 0.983、std 0.010，几乎不区分模型 [2605.03941]，却与其他 8 个指标等权进入 Avg——等于用一个无信息维度稀释了有信息维度。这直接削弱"综合排名"的判别力。
攻击点 3：有效性验证只有相关性、缺少 NoLiMa 式双向消融。 $r_s=0.8053$ 证明"指标与人类相关" [2605.03941]，但相关≠因果。NoLiMa 通过"加回/移除 literal match 双向改变性能"建立了因果 [2502.05167]。iWorld-Bench 缺一个对称实验：如果打乱动作字典的三路映射，排名是否应崩溃？没有此对照，"统一动作字典带来公平比较"仍是断言而非证明。
攻击点 4：被测模型规模/量化状态未受控。 14 个模型在不同参数量、可能不同量化精度下评测 [2605.03941]。而 SageAttention3 已证明量化对 HunyuanVideo 有非平凡质量退化 [2505.11594]——若被测模型混用 FP16 与量化推理，排名将混入与"世界模型能力"无关的推理精度变量。本篇未报告此控制。
攻击点 5：动作字典的 81 键鼠子集是否覆盖真实交互空间未论证。 从 729 组合动作取 9×9=81 键鼠可支持子集 [2605.03941]，但"键鼠可支持"是否等于"世界模型该被评测的动作分布"？相机连续轨迹被离散化到 81 格点，可能系统性偏袒 one-hot 离散控制模型（本篇恰观察到 one-hot 轨迹精度 0.7472 > 文本 0.5950）——这或许部分是离散化偏置的自证预言，而非模型真实差异。
范式定位：交互式世界模型评测的"统一动作本体"层。 世界模型研究此前分裂为两支——RL 世界模型（DreamerV3 谱系，潜在空间、动作是离散/连续控制向量）[2301.04104] 与生成式世界模型（视频扩散谱系，动作是文本/相机参数）。iWorld-Bench 的生态位是给后者提供第一个跨控制模态可比的评测标尺 [2605.03941]，填补了 DreamerV3 类 RL 基准（Atari/DMLab/Minecraft）与视频生成基准（VBench）之间的空隙。
方法论谱系归属：本篇属于"揭露评测捷径 + 构造更严格基准"的 benchmark-critique 传统，与 NoLiMa 同代 [2502.05167]。这一传统的采用证据在于是否成为社区默认 leaderboard——本篇声明 leaderboard 公开于 iWorld-Bench.com、统计脚本随补充材料发布 [2605.03941]，但采用度需时间验证；对照 NoLiMa 也未开源代码 [2502.05167]，benchmark 论文普遍存在"可复现性声明强、实际代码弱"的通病。
与加速生态的下游关系：iWorld-Bench 评测的视频生成模型（CogVideoX、HunyuanVideo）正是 SageAttention 家族的加速目标 [2505.11594]。若 iWorld-Bench 成为公认基准，它将成为量化加速工作声明"lossless"时必须报告的可控性维度——目前 SageAttention3 只报告 CLIPSIM/FID/VQA 等静态质量 [2505.11594]，iWorld-Bench 可暴露其未测的可控性代价。这是本篇潜在的生态杠杆点。
采用风险：等权聚合的感知偏离（§3 攻击点 1）与离散化偏置（§3 攻击点 5）若不修复，社区可能只采用其数据管线与单指标而非综合排名——类似 VBench 的部分指标被复用、总榜被质疑。
方向 1（cluster 内最强 hybrid）：量化 × 可控性联合评测。 SageAttention/SageAttention3 证明低比特 attention 在视频生成上"静态质量近无损但有模型相关退化" [2410.02367] [2505.11594]，但从未测过动作可控性。iWorld-Bench 提供了轨迹精度/轨迹容差指标 [2605.03941]。未做的实验：对同一模型跑 FP16 vs SageAttn2 vs SageAttn3(FP4)，看轨迹跟随分是否比静态质量分退化更严重——若成立，将修正"量化即插即用无损"的行业共识 [2505.11594]。
方向 2：RL 世界模型与生成式世界模型的统一评测。 DreamerV3 在潜在空间做开环预测（5 帧上下文预测 45 帧）[2301.04104]，iWorld-Bench 在像素空间测动作跟随。二者从未在同一标尺下比较。Hybrid：把 iWorld-Bench 的动作字典映射到 DreamerV3 的动作接口，测 RL 世界模型的"记忆对称/轨迹对齐"分——检验潜在空间世界模型是否在因果一致性上强于像素扩散模型。
方向 3（借鉴 NoLiMa 的难度调节）：联想深度式的交互难度轴。 NoLiMa 用 one-hop/two-hop latent hops 精准调节难度、且证明 two-hop 退化更快 [2502.05167]。iWorld-Bench 目前只有 D1–D4 四档难度与记忆任务 [2605.03941]。未探索：引入"多跳动作依赖"任务（如"先向左看到门再回头才能推断房间布局"），像 NoLiMa 那样把难度锚定在因果链深度而非单步动作幅度，检验世界模型的组合式记忆。
方向 4（借鉴 Qwen-Omni 的 hidden-state 桥接）：把控制信号从 discrete token 升级为连续 conditioning。 Qwen-Omni 发现让 Talker 消费 Thinker 的 hidden state（而非仅 discrete token）能提升自然度 [2503.20215]。iWorld-Bench 的统一动作字典把连续相机轨迹离散化到 81 格点 [2605.03941]，可能引入离散化偏置（§3 攻击点 5）。Adaptive 方向：定义一个"连续动作嵌入 + 离散字典索引"双通道控制表示，让基准既保留可比性又不牺牲连续控制模型的表达力。
方向 5：自适应聚合权重取代等权平均。 综合 §3 攻击点 1–2，可用人类偏好数据（本篇已有 $r_s=0.8053$ 的标注 [2605.03941]）拟合一组感知加权系数，使聚合排名与人类对齐并自动降权近饱和指标（Motion Smoothness）。这是本篇自身实验数据即可支撑、却未做的直接改进。