# WorldReasonBench (/zh/docs/evaluation/benchmark-hub/worldreasonbench)



## 简介 [#简介]

World-state reasoning QA and reward-model evaluation for generated videos.

**WorldFoundry 评测路径:** 导入已有的官方 / 上游结果并归一化为 WorldFoundry scorecard；当前集成不能从原始生成视频完整重跑官方协议。

## 集成状态 [#集成状态]

| 项目                  | 当前状态                 |
| ------------------- | -------------------- |
| Catalog integration | `integrated`         |
| Runner verification | `normalizer_only`    |
| Leaderboard         | 暂不可用于 leaderboard 声明 |

## 指标 [#指标]

### Task YAML [#task-yaml]

`worldfoundry/data/benchmarks/tasks/external/worldreasonbench.yaml`

### Primary [#primary]

* `score_pr`

| Metric                           | 关注点                                                                                             |
| -------------------------------- | ----------------------------------------------------------------------------------------------- |
| `score_pr`                       | Geometric combination of QA accuracy and dynamic reasoning score.                               |
| `qa_accuracy`                    | 预测动作、状态或结果相对 benchmark 成功标准的正确性。                                                                |
| `state_score`                    | 官方 State Score 指标在 benchmark 协议中的计分结果。                                                          |
| `process_score`                  | 官方 Process Score 指标在 benchmark 协议中的计分结果。                                                        |
| `fidelity_score`                 | 官方 Fidelity Score 指标在 benchmark 协议中的计分结果。                                                       |
| `mechanism_score`                | 官方 Mechanism Score 指标在 benchmark 协议中的计分结果。                                                      |
| `static_outcome_score`           | 官方 Static Outcome Score 指标在 benchmark 协议中的计分结果。                                                 |
| `dynamic_reasoning_score`        | 官方 Dynamic Reasoning Score 指标在 benchmark 协议中的计分结果。                                              |
| `reasoning_gap`                  | Static outcome score minus dynamic reasoning score; lower values indicate less outcome hacking. |
| `pointwise_score`                | 官方 Pointwise S(v) 指标在 benchmark 协议中的计分结果。                                                       |
| `reasoning_correctness`          | 官方 Reasoning Correctness 指标在 benchmark 协议中的计分结果。                                                |
| `content_fidelity`               | 官方 Content Fidelity 指标在 benchmark 协议中的计分结果。                                                     |
| `visual_aesthetics`              | 官方 Visual Aesthetics 指标在 benchmark 协议中的计分结果。                                                    |
| `pointwise_spearman`             | 官方 Pointwise Spearman Correlation 指标在 benchmark 协议中的计分结果。                                       |
| `induced_pairwise_accuracy`      | 预测动作、状态或结果相对 benchmark 成功标准的正确性。                                                                |
| `pairwise_accuracy_with_ties`    | 预测动作、状态或结果相对 benchmark 成功标准的正确性。                                                                |
| `pairwise_accuracy_without_ties` | 预测动作、状态或结果相对 benchmark 成功标准的正确性。                                                                |

## 环境准备 [#环境准备]

### 运行环境 [#运行环境]

* **Conda 环境：** `worldfoundry-unified-cu128`。
* **单独配置：** 默认复用 WorldFoundry 统一环境（`needs_new_env: false`），通常不需要额外 benchmark-only conda env。
* Result normalization uses the unified WorldFoundry environment and has no GPU dependency.
* Real evaluation reuses the unified environment when it provides openai, opencv-python, numpy, Pillow, and tqdm.
* The judge model server is an external OpenAI-compatible service and may use its own serving environment.

### 测评数据 [#测评数据]

* 待测模型输出目录：设置 `WORLDFOUNDRY_GENERATED_ARTIFACT_DIR` 指向生成视频或 rollout artifact 根目录。
* `worldfoundry/evaluation/tasks/execution/runners/worldreasonbench`
* `worldfoundry/data/benchmarks/tasks/external/worldreasonbench.yaml`

### Checkpoint 与资产 [#checkpoint-与资产]

* 该 benchmark 以官方结果归一化或仿真 rollout 为主；policy / simulator checkpoint 见 catalog `requires` 与 task YAML。

### 关键环境变量 [#关键环境变量]

* `WORLDFOUNDRY_WORLDREASONBENCH_ROOT`
* `WORLDFOUNDRY_WORLDREASONBENCH_RESULTS_PATH`
* `WORLDFOUNDRY_WORLDREASONBENCH_PROTOCOL`
* `WORLDFOUNDRY_WORLDREASONBENCH_QA_JSON`
* `WORLDFOUNDRY_WORLDREASONBENCH_PAIRS_JSON`
* `WORLDFOUNDRY_GENERATED_ARTIFACT_DIR`
* `OPENAI_BASE_URL`
* `OPENAI_API_KEY`
* `OPENAI_MODEL`
* `HF_ENDPOINT`

## 运行评测 [#运行评测]

准备好该 benchmark 页面列出的资产和候选产物后，使用下面的公开运行入口。

### 设置候选产物目录 [#设置候选产物目录]

```bash
export WORLDFOUNDRY_GENERATED_ARTIFACT_DIR=/path/to/generated/artifacts
```

### 导入已有官方结果 [#导入已有官方结果]

```bash
worldfoundry-eval zoo benchmark-run \
  --benchmark-id worldreasonbench \
  --mode normalizer \
  --official-results-path /path/to/official/results-or-report \
  --generated-artifact-dir "${WORLDFOUNDRY_GENERATED_ARTIFACT_DIR}" \
  --output-dir tmp/worldreasonbench/normalizer \
  --json
```

### 校验或归一化已有结果 [#校验或归一化已有结果]

```bash
worldfoundry-eval zoo benchmark-run --benchmark-id worldreasonbench --mode official-validation --official-results-path <official_results_dir> --output-dir <out> --json
```

## 依赖与产物 [#依赖与产物]

### Inputs [#inputs]

* WORLDFOUNDRY\_WORLDREASONBENCH\_ROOT for official execution
* OPENAI\_BASE\_URL and a compatible multimodal judge

### Environment [#environment]

* `WORLDFOUNDRY_GENERATED_ARTIFACT_DIR`

### Outputs [#outputs]

* `scorecard.json`
* `raw_metric_table.jsonl`
* `protocol_results.json`
* `benchmark_contract.json`

## 官方资料 [#官方资料]

* [GitHub](https://github.com/UniX-AI-Lab/WorldReasonBench)
* [Paper](https://arxiv.org/abs/2605.10434)
* [Project page](https://unix-ai-lab.github.io/WorldReasonBench/)
* [Hugging Face dataset](https://huggingface.co/datasets/WorldReasonBench)

[← 返回 Benchmark Hub](/zh/docs/evaluation/benchmark-hub)