MirroS-Lab/HarnessEval-W：视觉世界模型智能体化评测仓库创建

HarnessEval-W主张“评测定义进化品味”：可信的基准应给出支撑分数的推理过程，这对世界模型尤其关键——判断一条rollout需要理解物理、因果与世界状态是否正确演化，人类能自然发现违例，但现有基准多为暴力计算指标，留下无可检验的推理链。HarnessEval是智能体化的评测管线，为视觉世界模型提供带推理依据的评分。仓库配套arXiv论文（2608.16859）、项目主页、博客、Hugging Face数据集与排行榜。