好坏取决于要完成的任务
一段视频画面逼真，无法说明机器人用它规划动作时会表现怎样。可观看的视频、可导航的环境、未来点云和供控制器使用的表征，服务的是不同任务。评价之前，需要确定使用者、目标任务和失败的代价。
来源：Sora（2024 技术报告） 原始材料 ↗ · Genie 3 原始材料 ↗ · Copilot4D 原始材料 ↗ · V-JEPA 2-AC 原始材料 ↗
可以分别检查模型预测了什么、预测是否改善任务结果，以及实验能否复核。这三类问题构成本站的阅读框架，不能加总成一项行业通用分数。
三类证据，各回答一个问题
| 层次 | 要问什么 | 不要误当成什么 |
|---|---|---|
| 模型能力 | 状态、动作后果和时间一致性，是否在目标条件下成立？ | 画面逼真就等于物理预测正确。 |
| 任务效用 | 预测能否帮助规划、控制、训练或测试？ | 演示可交互就等于下游任务获益。 |
| 证据质量 | 协议、失败案例、基线和外部复核是否可见？ | 开发者发布了结果就等于独立验证。 |
来源：Sora（2024 技术报告） 原始材料 ↗ · Genie 3 原始材料 ↗ · V-JEPA 2-AC 原始材料 ↗
模型可能在短视频里保持物体外观，却在反复行动后逐步漂移；也可能没有可观看的输出，却为某项规划任务提供有用信息。前一种情况要测时间和行动后果，后一种情况要看任务结果。
预测能否经得住行动和时间
从同一个起点施加不同动作，后续状态是否相应变化？连续预测多步后，物体、空间关系与任务目标是否仍能保持？精选片段无法显示误差怎样积累。
Sora 技术报告承认玻璃破碎等基本物理交互建模不准；Genie 3 的发布文把连续交互限制在几分钟。这些限制与演示能力同样重要。短片段无法证明一般物理可靠性或长时稳定性。
预测是否改善任务结果
在机器人或驾驶任务中，预测要接受真实反馈的检验。V-JEPA 2-AC 的论文描述了以动作和本体感知观测为条件的未来表征预测；GAIA-4 的介绍称，AI Driver 的行动推进模拟中的位置、视角和传感器流。接口说明了系统怎样运作，任务效果还要看实验结果。
比较两组成功率时，任务、数据来源、实验次数和基线都需要对齐。百分数相近的结果，可能来自完全不同的测试条件。
实验结果能否复核
官方发布和作者论文能说明开发团队报告了什么。外部人员是否按同一协议得到相近结果，是另一项证据。阅读结论时还应核对测试范围、失败案例和来源角色；本站模型目录中的原句与阅读日期也不能代替这些判断。
- 模型名称和版本是否明确，家族结果有没有被误用到具体变体？
- 输出、动作输入和测试时长是否写清？
- 任务结果、失败案例、测试协议与来源角色是否可查？
- 没有材料的能力保持未知，不能从“未报告”推出“不存在”。
评价最终应落在具体条件上：模型在什么任务中、用什么数据、由谁测试，表现如何。离开这些条件，一句“好”或“不好”难以帮助读者判断是否适用。