MultiWorldBench 是一个面向 Minecraft 的诊断基准，包含 495 种案例，覆盖七个任务套件和十项能力：独立控制、跨视角运动、共享状态同步、持久性、结构推理、并发交互、延迟重访等。
我们使用 Solaris、Gamma-World、MineWorld 三个生成系统进行评估，并以 Engine GT 作为参考。Gamma-World 在十项能力的平均得分最高，为 21.39，Solaris 为 20.88，MineWorld 仅 1.89，Engine GT 达到 91.69。
Gamma-World 在控制、共享状态和重访能力上表现更好，Solaris 在跨视角运动和竞争条件一致性上领先。然而所有生成系统在状态持久性上最高仅 8.00，结构一致性最高 1.33，且均未通过空间推理或建筑身份保持的测试。
人类偏好实验得到的整体排名与自动评估高度一致，维度层面的 Spearman 相关系数均值为 0.96。结果表明，虽然各视角能够生成合理的局部画面，但尚未形成一致的多人共享世界。
点评