WoW-World-Eval: A Turing Test for Robot-Ready Video AI

Share
WoW-World-Eval: A Turing Test for Robot-Ready Video AI

What’s new

As AI video models are used as “world models” for robots, we need to know if their imagined futures match reality. WoW-World-Eval (Wow, wo, val) is a public benchmark that stress-tests these models before we trust them on real machines.

  • Five skills: perception, planning, prediction, generalization, execution.
  • 22 metrics with scores that track human preference very closely (Pearson > 0.93).

Results on 609 real robot manipulation scenes reveal big gaps: models score only 17.27 on long-horizon planning and at best 68.02 on physical consistency—signs of shaky spatiotemporal reasoning.

In a “Turing Test” for execution using an inverse dynamics model, most video models drop to about 0% real-world task success. The WoW model holds 40.74%, but there’s still a long road to go.

Bottom line: today’s video world models can look convincing yet fail to guide robots reliably. WoW-World-Eval offers a standardized yardstick to close that reality gap.

Paper: https://arxiv.org/abs/2601.04137v1

Paper: https://arxiv.org/abs/2601.04137v1

Register: https://www.AiFeta.com

EmbodiedAI WorldModels Robotics VideoAI Benchmark TuringTest AIResearch arXiv

Read more

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Kielimallit tekevät vaatimuskysymyksiä eri tyyleillä – ja tyyli riippuu käyttötarkoituksesta

Uusi vertailu näyttää, että tekoälyn tapa muotoilla järjestelmävaatimuksia luonnollisen kielen kysymyksiksi vaihtelee mallin ja aiheen mukaan. Siksi tärkeintä ei ole valita ”parasta” mallia, vaan tilanteeseen sopiva. Kuvitellaan tuttu kokous: pöydän ääressä yritetään päättää, mitä uuden tietojärjestelmän pitää pystyä tekemään. Syntyy lista kysymyksiä, joihin järjestelmän on osattava vastata. Esimerkiksi: ”Mitkä lääkkeet

By Kari Jaaskelainen
Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Julkaistu ajattelu voidaan jo purkaa tekoälyksi

Kun tutkija jättää työpöytänsä, hänen äänensä ei välttämättä vaikene. Pelkistä julkaisuista voidaan jo rakentaa tekoäly, joka ohjaa väitöskirjaa, arvioi artikkeleita ja väittelee paneelissa – uskottavasti. Useimmat meistä ajattelevat tutkimusartikkeleita kirjastoiksi: hyllyriveiksi ajatuksia, joihin muut voivat palata. Uusi arXivissa julkaistu esityspaperi ehdottaa toisenlaista kuvaa. Julkaisut ovatkin rakennuspiirustuksia, joista voidaan koota tekijänsä ajattelutapa

By Kari Jaaskelainen
Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Konferenssien suunta ei ole pakko syntyä suljettujen ovien takana

Moni tietää tunteen seminaarin päätteeksi: ohjelma oli kiinnostava, mutta kuka päätti, mistä puhuttiin ja mistä ei? Usein vastaus on pieni ohjelmakomitea, joka tekee valinnat ennakkoon. Yleisö kuuntelee, harva vaikuttaa. Eräässä tekoälyn yhteiskunnallisia vaikutuksia käsittelevässä kansainvälisessä konferenssissa kokeiltiin toisenlaista tapaa. Osallistujat eivät vain tulleet paikalle – he auttoivat muokkaamaan itse tilaisuuden suuntaa.

By Kari Jaaskelainen