HiDream-O1-World 在 WBench 上拿了第一，消息本身不复杂，我更想聊的是这类基准该怎么看。
干测试的，对榜单的第一反应永远是三件事：谁定的指标、样本怎么选、复现流程公不公开。交互式世界模型比图像生成难评太多——图像还能拉一堆人打分，交互得看你操作之后世界的反应对不对，主观成分不小，多轮之后误差还会往上累。
所以第一这个位置，短期含金量取决于有多少家来跑同一套题。只有一两个模型上榜的时候，排名的信息量其实很有限。等参评的多了、复测的人多了，这个榜才谈得上参考价值。眼下先当个信号收着。