把 Genie 4 这类世界模型当成视频生成来评，评价对象就偏了。视频生成评的是成片：这一帧清不清楚、播放顺不顺；世界模型评的是过程：你输入了什么、画面在下一段里有没有跟着变、变的方式是不是每次都一样。同一段结果用清晰度和帧率打分，通常会得到一个「还过得去」的分数，却解释不了为什么手感是错的。判断标准要换，关键动作是把观察从「看画面」改成「按操作对照画面」：先用视频指标跑一遍留档，再逐条记录响应，最后把两套结论摆在一起看冲突在哪。

判断：世界模型是否可用，主要由「操作与画面是否一一对应、对应是否可复现」决定，清晰度和帧率只能当门槛值，不能当结论。处理方向：对同一段结果先按视频指标打分并写清理由，再逐条记录每次输入后的画面变化，两次结论并列表比对。验证方式：重复同一输入、改变输入顺序，看响应是否稳定复现。边界：响应表现还受输入采样方式、单次生成长度、渲染配置影响，需要结合具体环境确认，不能只看画面下通用结论。

用清晰度与流畅度给一段生成结果打分并记录理由

先按旧习惯打一遍分，目的不是得到结论，而是留下对照物。评分用高、中、低三档即可，不要写没有依据的数字；每一档后面必须跟一句具体理由，否则后面无法和交互观察对齐。

打完分后，有几类现象这套维度完全解释不了：画面对应清晰，但按住方向输入后，主体先原地转一下再往前走；播放很顺，可同样的输入做两次，画面给出的结果不一样；长按之后松开，画面还继续漂一段；连续做两步操作时，中间那一步像是被吞掉了。这些都不是画质问题，视频指标里没有对应维度可以记录，所以越看越困惑是正常的。

改成记录操作后画面是否响应、响应是否一致

换视角时，最小可用的方法是「一次输入一行记录」，输入和观察都写在同一行里，时间戳可以粗略，但顺序不能乱。下面是一个通用的记录骨架，可以放在自己的评测表格或日志文件里，字段按实际环境替换。

seq | input        | expected         | observed              | consistent
1   | 按左 短按     | 主体向左位移       | 向左位移              | yes
2   | 按左 长按     | 位移幅度更大       | 位移幅度与短按接近     | no
3   | 按左→按右 连续 | 先左后右，回位     | 只响应了左            | no
4   | 松开          | 画面停止变化       | 仍有一小段漂移         | no

一致性要专门测，方法很朴素：同一段输入重复做两到三次，看结果是否落在同一个范围；把两步操作的顺序对调，看第二步是否依赖第一步；把长按时间从短拉长，看效果是否单调递增，而不是突然跳变或不动。这几项都不需要额外工具，靠屏幕录制或逐帧回看就能确认。

常见的不一致案例有三类。第一类是幅度不成比例：短按和长按的画面变化几乎一样，操作粒度就丢了。第二类是合并响应：快速连续两次同向输入，画面只动一次，多步操作的语义没保住。第三类是释放不收敛：输入停止后画面仍在变化，此时任何依赖「停下就看清楚」的使用方式都会受影响。

在同一段结果上比对两套指标给出的结论差异

把两套评分并排放在同一段生成结果上，错位立刻就能看见。

冲突点集中在两处。一是评价对象不同：视频指标评价「看起来好不好」，交互指标评价「用起来准不准」，两者不能互相抵扣，画质好不会让不一致变得可接受。二是失分位置不同：视频指标的失分多在细节和连续帧，交互指标的失分多在对应的稳定性和多步语义，同一段结果可能在一边失分、在另一边保持正常。

哪种更贴近实际，取决于用途。如果目标是可操作的交互环境、原型验证或具身场景的推演，交互一致性更贴近真实体验；如果只是要一段可播放的素材，视频指标仍然有效。判断前先明确用途，再决定以哪套为准，不要两套各取一半拼成结论。

整理一份世界模型的观察清单，替代原来的视频指标

把观察固定成清单，每次评测照着走一遍，结论可复现，也方便横向比对不同配置。

使用这份清单时，建议先记录用途和配置（输入方式、单次生成长度、采样设置），再逐条填观察结果；同一段结果不要在中途换配置，否则前后的不一致无法归因。配置里能改的项很多，响应表现往往会随单次生成长度和采样设置一起变化，具体数值需要在自己的环境里跑过再确认。