对象永久性和实体性是人类认知的核心先验。近期研究表明，视频生成模型作为典型的世界模型，已经展现出初步的推理能力，因而被视为构建类人物理智能的潜在平台。我们提出了 WROP（World Reasoning with Object Permanence），它是一套包含 150 项手工设计、受认知科学启发的任务，分为六大认知类别。我们使用 Blender 构建生成器，在保持任务认知结构的前提下随机化速度、光照、摄像机角度等噪声因素，为每个任务生成超过 1 万条样本，累计形成 150 万条训练数据，并提供 300 题的评估试卷。我们在该试卷上评测了 14 种视频模型，包括 3 种参考‑到‑视频、7 种编辑和 4 种续写模型，其中 16B 的 PWM‑WROP 在盲测 Elo 排名中位列续写模型第一、整体第三，仅次于两种参考‑到‑视频模型的统计平局。我们公开了数据集、试卷、模型答案、评分、模型权重以及基于 PyTorch 的原生训练栈 PWM，支持在 AWS Trainium2 上运行。
点评