先数卷子:EvoWorld-Bench 只有 120 道题(论文 Table 5,其中 66 帧取自留出视频、54 帧由 GPT-Image-2 生成)。90.8% 是答对约 109 道,最强基线 21.7% 是 26 道。差距够大,可这 109 道是谁批的?附录 A.5 写着,主裁判是 Qwen3.8,每段视频按前中后抽 30 帧,连同初始与事件 prompt 一起交上去,不给目标反应、也不给真值重访描述,任何因果上讲得通的反应都算过。这把尺子量的是讲得通,因果有没有被验证,它管不着。
论文自己还给了一张更值得看的对照(Table 3):把同一份 VLM 大脑推理 prompt 移植给最强基线 Evoke-Turbo,Core 从 21.7 涨到 45.0,因果从 32.5 涨到 53.3,反应从 29.6 涨到 50.8。光借走一半思路就翻了一倍,仍够不到自家 90.8。这条比「自家考自家卷」的解释有力。
再看 Table 2 消融:加身份锚定注意力只把 Core 从 82.5 抬到 84.2,真正推到 90.8 的是第二阶段在线自回归训练。帖子给 IAA 留的篇幅,比数字给它的分量重。下一根钉子:换一个人当裁判,盲评这 120 道题。