WorldCast：探索世界状态预测中的智能视觉生成
这项研究考察多模态生成模型如何根据观察信息预测未来的世界状态。研究团队推出 WorldCast 基准，包含八个类别、320 个手工设计案例，并评测了 12 个模型。GPT-Image-2.5 得分 72.8，展现出在现实任务中预测视觉状态的初步能力。Nano Banana Pro 得分 42.8，最佳开源模型得分为 20.1。模型在处理复杂语境、相互交织的参考信息以及需要深入推理的任务时，仍存在明显不足。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。