搜索
近两年，视频世界模型（video world model）成为生成式 AI 最受关注的方向之一。只需给定一张参考图和一段场景描述，模型就能根据用户输入的相机位姿或控制指令，逐帧生成出一个可以自由漫游的虚拟世界。
Murea Labs的Murea-InWorld通过Murea-Mind协同Murea-Pro和Murea-Fast生成实时互动音视频，Murea-Pro以81.13分位列WBench Full-289第一，Murea-Fast以64.98分居OpenS2V-Eval参评开源模型第一。
最近，来自牛津大学&莫纳什大学&布里斯托大学的团队提出了交互式视频世界模型 Oneira，将这类模型从开放式的生成走向开放世界的交互。
哈尔滨工业大学（深圳）iLearn-Lab与新加坡国立大学LV-Lab提出免训练2-bit KV Cache量化框架QuantWM，改善视频世界模型量化后的时序闪烁与画质，并实现最高6.20倍缓存压缩。
西湖大学AGI实验室发布Code World Model视频世界模型，将世界演化与视觉生成分离，由Coding Agent和代码负责因果规则执行、视频模型负责高保真视觉渲染，并提出Proxy作为可编译视觉条件通道，用约5.6小时游戏视频完成原型验证。
Loopit发布了实时互动世界模型Zing-0.5，在美团LongCat与复旦大学联合推出的可交互视频世界模型评测WBench中拿到第一。目前已经开源，并计划在2周内在Loopit APP（海外版）上线对应产品功能。
香港大学、香港科技大学与腾讯 ARC Lab 联合提出 SCoPE（Sightline-Coordinate Positional Encoding），一套面向视频 DiT 的射线空间位置编码：让视频模型处理位置关系的基底从张量网格转向射线空间。
视频世界模型跑久了，往往面临三个问题： 画面发灰发糊或者过曝过饱和、场景悄悄换了地方、显存先撑不住。
太卷了！过去两年，视频生成模型把画面参数几乎卷了个遍。
如果要让机械臂把咖啡机旁的杯子移到桌上，需要经历哪几个步骤？