视频世界模型统一综述
推荐指数 73.0 NO. 025 · 2026.10.27
upvotes213comments2
简介
这篇综述首次用"世界建模"统一了视频理解与生成的两条技术路线，将现有工作按推断、合成、共享、交互四个维度重新组织。对做视频生成或具身智能的工程师，这是目前最系统的技术地图，能帮你快速定位自己的方法在整个版图中的位置。
媒体预览
编辑判断
这篇综述的野心在于打破"理解派"和"生成派"的割裂——之前视频理解的人做动作识别、时序建模，视频生成的人做扩散模型、下一帧预测，两边论文互相引用很少。作者把 world model 作为共同语言，实际上是在为"视频基础模型"铺路，类似 NLP 领域 BERT 到 GPT 的统一过程。
目前视频生成领域最缺的不是模型，而是评估标准和物理一致性度量，这篇综述把 persistent dynamics 作为核心指标，可能会影响后续 benchmark 的设计方向。做视频生成的团队可以按图索骥，把四个维度里自己没覆盖的模块补起来。