102 页综述逐章精读：视频基础模型如何「读、写、共享、交互」世界

导读

能回答视频问题、能生成流畅画面，是否意味着模型已经理解了世界？我们在这篇综述中给出的回答是：不一定，而且这两件事需要分开检验。 视频只是潜在动态世界的局部、有损、按时间排列的观测；真正需要检验的，是模型如何表示并预测观测背后的状态。

本文按原论文九章的顺序整理，每章保留核心定义、分类依据和我们的判断，并配以原文插图。原文是综述，没有新增统一的性能实验；下文也不把不同论文在不同设置下的结果混成一个排行榜。

论文信息

• 题目：Reading, Writing, Sharing, and Interacting with the World through Video: A Survey Toward Unified Video World Models

• 作者：Shengqiong Wu（牛津）、Meng Luo（NUS）、Bobo Li（牛津）、Ziwei Liu（NTU）、Shuicheng Yan（NUS）、Ming-Hsuan Yang（UC Merced）、Philip Torr（牛津）、Hao Fei（牛津，项目负责人 / 通讯）。* 为共同第一作者。

• 版本：arXiv v1，2026 年 10 月 22 日提交；102 页，17 幅图，19 张表，引用文献 600+ 篇

• arXiv：https://arxiv.org/abs/2610.31668

• 项目：https://vid-gen.github.io/video-world-model-survey

• 资源库：https://github.com/vid-gen/awesome-video-world-model

1 Introduction｜引言

视频记录实体、关系和动作随时间的变化，往往还带着同步的音频、语音和文本。这一领域从动作识别和时空编码器出发，发展到视频语言模型、大规模生成器、理解生成统一系统，以及动作条件预测和交互式仿真。

这些方向共同涉及「观测」与「世界」的关系，却不能因为用了相似的视频数据，就被认定具有同样的能力。生成器可以依据描述合成片段；世界模型还应预测状态如何在条件、动作和反馈下演化。我们在全文中坚持一条原则：模型设计支持什么、训练数据监督了什么、评测真正证明了什么，必须分开。

综述的三项贡献：一个世界建模视角（四操作框架 + 世界模型的两轴分类）；覆盖任务、表示、模型、系统、数据与基准的系统梳理和洞见；一份公开维护的资源列表。

2 The World-Modeling Lens｜世界建模视角

2.1 世界、视频与表示状态

我们区分三个对象：

• 潜在时序世界：一个随机过程，每个状态  包含实体、属性、关系和相关的物理、动力学变量。

• 观测视频：由感知过程  生成， 是相机配置。我们把观测或生成的视频统称为痕迹（trace）。

• 表示状态：模型从可得的观测和动作中构造的内部表示。一般 ，它可能是显式几何、视频 token 或隐特征，也可能并不完整。

这三条定义描述的是一个部分可观测的动力系统，与基于模型的强化学习中的环境模型密切相关；但对通用视频基础模型而言，表示状态可能是隐式的，或者从整段序列构造而非在线更新。一个重要推论：「模型里有一个潜向量」本身，不是它已经恢复了物理状态的证据。

2.2 两种一致性

设  是模型生成或预测的痕迹：

• 时间连贯（temporally coherent）：相邻帧局部一致，， 惩罚不合理的局部运动、外观变化或闪烁。

• 世界一致（world-consistent）：存在至少一条合法的世界轨迹  和相机路径 ，使每一帧都落在  的支撑集内。 包含满足动力学、身份持续、空间关系以及指定干预下物理因果约束的轨迹。

二者互不蕴含。物体离开画面后换了身份、房间在两次到访之间换了布局、动作效果后来消失——这些都可以产生局部平滑但没有任何合法轨迹能解释的帧；反过来，电影的硬切违反局部平滑，却可以是世界一致的。真实录制的视频天然世界一致，所以这个区分只对模型写出或预测的痕迹有意义。由于  和  都不可观测，世界一致性是一个评价目标而非可直接计算的指标，需要通过重访、遮挡和干预测试来探测。

2.3 四种操作

• 🟠 Reading：从视频推断世界属性 ， 覆盖语义、空间、时间、物理和因果。以对  的准确率和对遮挡 / 画面外内容的校准不确定性评价。

• 🔵 Writing：从条件采样痕迹 ，条件  只部分指定世界，生成器补全其余。以感知质量、条件遵循和世界一致性评价。

• 🟢 Sharing：读图  和写图  至少共享一个组件：参数、token / 表示、接口或训练目标。在三个层次评价：能力覆盖、架构共享、功能协同。

• 🟣 Interacting：推进转移模型 ，需要可见输出时解码 。以预测的变化是否跟随输入、是否世界一致来评价。

这里的箭头是概念简写：写只通过  触及 ，读和写也不是精确的逆映射。这些操作不是互斥标签；交互系统也会读历史、写画面。

证据阶梯

3 Preliminaries｜预备知识

3.1 视频场景

常规短视频、有声视频、第一人称视频描述记录内容的形态；流式 / 在线、长视频、交互式视频描述模型如何访问观测、能否改变观测；驾驶、手术、体育、教学等领域视频横跨以上标签。离线模型可以看完整片段，在线模型只能用当前和过去的观测并在有限延迟内响应；长视频的证据稀疏且分布在相距很远的片段；交互视频的未来依赖交互历史。评测结论应注明观察条件。

3.2 视频大语言模型

典型 Video-LLM 用视频编码器  提取特征，经连接器  变为语言兼容序列 ，再送入 LLM。连接器从线性投影到可学习查询重采样器和门控交叉注意力不等。帧采样、时间池化和连接器共同决定保留的嵌入数 ：更大的  保留更细的时空证据，但消耗更多上下文；更强的压缩更便宜，但可能丢掉短暂事件、小物体和长程关系。由于上下文窗口还要容纳指令、历史对话和输出，长视频模型必须在时间覆盖和视觉细节之间分配预算。

3.3 生成建模基础

扩散学习去噪，流匹配学习从噪声到数据的速度场；自回归按顺序预测离散或连续单元，掩码模型根据可见上下文恢复被遮位置。我们统一了记号：生成目标为 ，去噪步 。生成过程的步数  与视频世界中的时间  不是同一个变量。

3.4 视频世界模型的分类

视频世界模型执行「交互」操作，且状态以视频为中心。我们排除主要持久状态是显式 3D 结构（神经场、3D 高斯、占据栅格）的模型和纯符号 / 文本世界模型；只把 3D 结构作为辅助记忆的模型仍在范围内。来自基于模型的强化学习的世界模型，只有在状态从视频学得时才纳入。

两个独立的轴：预测空间（观测空间：预测未来帧、视频 token 或可解码成视频的生成潜变量；潜状态：预测不必解码的视频衍生特征）和转移接口（被动、动作条件、交互式）。由此得到六个格子，而不是把所有视频生成器一概称为交互式世界模型。

4 Video Comprehension｜视频理解：读取世界

4.1 任务、数据与评测

我们按所需的世界状态维度组织理解任务：语义（实体、动作、事件）、空间（位置、身份、布局、视角）、时间（顺序、时长、边界、长程依赖）、物理（接触、重力、容纳、材料）、因果（效果、干预、反事实）。输出格式是独立的轴：标签、区间、掩码或句子都可以探测任一维度。

综合准确率不能说明模型用了预期的证据：很多问题可以从文本、单帧或静态外观回答。纯文本、单帧、打乱帧序、限制上下文这些基线能暴露捷径；TempCore 和 Video-Index 用它们把现有基准过滤成依赖视觉、对顺序敏感的子集；近似画面但答案相反的最小对（TimeBlind、MVP）阻断纯外观解法。

空间理解中，一组新基准测试画面外的状态：SCP-Bench 推断未见的过去或未来布局，Beyond3D 问被移动的物体现在在哪，OVO-S-Bench 只用目前看到的前缀作答——这正是世界模型必须维持的物体恒存和重访一致性。物理理解中，IntPhys、Physion、CLEVRER 之外，MVP 和 VisPhyWorld 检查答案是否基于物理证据而非先验，后者要求模型把场景重建为可执行的模拟器代码。

4.2 视频表示学习与编码

对比学习拉近匹配的视频或文本，适合语义对齐；掩码学习恢复像素或特征；预测学习从上下文预测缺失或未来的表示（V-JEPA）；生成学习通过重建、续写或描述保留信息。几类可以重叠，分类依据是主要监督目标。重建能力、文本对齐与可恢复的物理状态并不等价：丢弃纹理可能有利识别却不利生成，只优化语言匹配也可能损失定量的物理变量。

4.3 视频语言基础建模

架构要平衡视频编码、视觉 token 压缩与语言推理；训练通常经历视觉语言对齐、指令微调和推理强化；测试时还可以增加证据搜索、分段分析或推理预算。更多的计算只有在补足相关证据时才有价值，不能把推理链变长直接解释为世界知识更准确。长视频模型应报告真正可用的历史，而不只是最大输入长度。

4.4 智能体式视频建模

视频智能体把「观看」变成迭代工作流：提出子问题、定位片段、调用检测 / 跟踪 / 语音识别 / 检索工具，再汇总证据；外部记忆帮助处理超长历史和反复查询。代价是工具输出、检索和中间摘要可能传播错误。评测应保留时间戳与来源，衡量证据命中、调用成本和最终判断。

💡 视频理解受限于状态，而不是上下文长度。 编码器压缩观测，Video-LLM 把证据映射为语言，智能体选择看什么；它们共同受限于保持并 grounding 了多少状态。更长的上下文只在能修正或稳定状态估计时才有用。

5 Video Generation｜视频生成：写入世界

5.1 任务、条件与评测

文本、图像、视频前缀、音频、相机、轨迹和布局规定不同的条件，模型补全未指定的部分。评测应按属性分组：视觉保真与时间质量（FID 忽略时间顺序；FVD 依赖特征提取器且可能偏向静态样本；JEDi 用 V-JEPA 特征和 MMD 回避高斯假设）、条件对齐与组合性（cFreD 能惩罚被调换提示的视频；FETV、T2V-CompBench 拆分对象、属性、关系、动作和时间组合）、物理与世界一致性（VideoPhy / VideoPhy-2、PhysicsMind、PhyProbe）、人类偏好与学习型评估器（VideoScore、MJ-VIDEO，各自继承标注分布的偏差）、多镜头与音视频（MSVBench、JavisBench、LongAV-Compass）。

单一的综合分数会掩盖限制系统的那个失败。

5.2 视频潜表示学习

连续潜空间降低像素生成成本，离散 token 适合序列建模；混合或语义对齐的表示试图同时服务理解与生成。压缩要在重建细节、运动、长度和语义组织之间权衡：只按重建误差挑选编码器可能错过下游生成需要的结构，语义表示太抽象会丢失外观，过度保留像素又推高序列成本。

5.3 生成式视频基础建模

生成机制与系统工作流是两层选择，不应互斥分类。自回归会累积自身前缀误差，分块生成需要维持跨块的身份与运动，多步采样面临交互延迟。比较时应注明分辨率、长度、采样步数和硬件。

5.4 控制策略

相机、姿态、对象身份和运动等信号可以通过多条路线进入，同一系统也可以组合使用。有效的控制应改变目标属性、保持无关属性、并让效果持续。调整一处运动却让背景或身份漂移，不能因为画质高就算成功。

5.5 应用

创意制作、角色动画、具身视频计划、具身与驾驶的合成数据。生成的计划一旦固定就不能自动响应新反馈，这和可在线更新的仿真器不同。合成数据应以真实感知或策略训练的收益来验证；带有视觉动作的片段不等于已经提供了正确的机器人动作标签——生成器和逆动力学标注器可能共同放大错误。

💡 渲染保真和有状态的控制是两条独立的扩展轴。 进展应该通过比较「有控制 vs 无控制」的匹配 rollout 来衡量。

6 Unified Video Models｜统一视频模型：共享世界

6.1 统一架构

离散 token 方案共享序列和自回归骨干，但量化与长序列是瓶颈；连续方案共享潜空间，通常保留不同输出头；模块化方案用语义桥连接理解与生成专家，方便替换组件，却可能在桥接中丢失几何和运动；智能体方案共享任务状态并编排感知、生成、编辑与评审工具。共享骨干也不自动消除「理解需要的不变性」与「生成需要的细节」之间的张力。

6.2 学习范式

循环不是精确的逆映射：同一描述允许多种视频，约束应保留任务相关的身份、事件、视点和运动，容忍合理的外观变化。联合训练改善两项分数，也可能只是多用了数据和算力。协同学习的证据是接收方向上测得的增益：OmniWeaving 的思考模式提升意图驱动任务，ReViSE 用冻结 VLM 的答案概率作为可微奖励改善编辑，Lance 的数据混合消融给出双向的视频证据（理解数据改善 VBench，生成数据改善 MVBench），CounterVid 用合成的反事实动作片段减少动作和时间幻觉。除 Lance 外，受控的双向测试目前仍以图像域为主。

6.3 应用与 6.4 评测

指令编辑先理解原片再生成修改；生成式推理把预测的中间状态交给后续分析；感知—生成—规划系统把想象结果用于动作选择。中间产物应可检查，不能把答案藏在生成条件里再宣称推理提升。

评测分三层：分别评价（MVBench、Video-MME 等 vs VBench、VBench-2.0，分开报告，匹配单任务基线以发现干扰）、集成 / 交错评价（UniVBench 在多镜头视频上评理解、生成、编辑和重建，其重建和编辑任务检查源内容是否存活）、协同评价（比较匹配路线：理解引导的生成 vs 普通生成；有无生成中间物的理解）。往返协议（推断事件或布局 → 渲染 → 读回）需要定义要保留的不变量，并加入非统一和无循环的对照；还要控制训练—测试重叠、中间表示泄漏答案、以及不同裁判的偏差。

💡 协同需要受控的跨向迁移。 共享 token 或参数说明耦合，分开的分数说明能力，混合任务说明互操作；协同需要在匹配的数据、容量和算力下消融跨向路径。

7 Video World Models｜视频世界模型：与世界交互

7.1 架构与训练范式

• 观测空间 · 被动：SV2P 的动作无关设置采样潜变量预测多个未来；Sora 作为「世界模拟器」的愿景、Physics-IQ 对真实开头的续写评分、Cosmos 动作后训练之前的基础模型都属于这里。它为受控格子提供动力学先验和不确定性估计。

• 观测空间 · 动作条件：整段的控制在生成前给定：GAIA-1 的文本和动作 token，GAIA-2 的自车动力学、智能体配置和道路语义，Vista 的指令、目标点和轨迹，IRASim 的帧级机器人动作。多数模型通过条件编码器、交叉注意力或控制分支改造预训练生成器。Vid2World、minWM、BiWM 把它们改造成因果生成以接受在线控制。

• 观测空间 · 交互式：Genie 从学得的潜动作预测 token，GameNGen 从历史帧和动作扩散下一帧，DIAMOND 既在生成的观测里训练策略也作为交互模拟器；Oasis、Hunyuan-GameCraft、Matrix-Game、Genie 3 实现实时可玩；Vidu S1/S2 和 Wan-Streamer 以语音为控制；Solaris 和 MultiWorld 让多个参与者共享一个世界。

• 潜状态 · 被动：V-JEPA / V-JEPA 2 的掩码特征预测。被遮区域可以从两侧帧预测，所以这不是因果预报；我们保留它们，是因为其预测器为动作条件的潜格子提供特征空间和初始化——单独来看它们是转移模型的预训练，而非完整的世界模型。

• 潜状态 · 动作条件：V-JEPA 2-AC 在机器人轨迹上后训练预测器，DINO-WM 学习冻结 DINOv2 特征在动作下的演化，LeWorldModel 从像素联合学习编码器和预测器。它们可以 rollout 候选动作并与目标表示比较而不渲染任何一帧。

• 潜状态 · 交互式：用 MPC 闭环：选动作前缀、执行、编码新观测、再规划。V-JEPA 2.1 在真实机械臂上完成到达、抓取和取放。潜 rollout 不花容量在纹理上，但潜距离可能漏掉任务相关细节；由于纠正性再规划能掩盖差的评分器，需要评分器层面的审计。

7.2 核心技术挑战

四个挑战贯穿整个网格：控制、记忆、延迟和物理 grounding，且相互作用——更长的记忆抬高推理成本，更少的去噪步改变 rollout 稳定性，更强的动作约束可能扰动预训练的视觉先验。

动作可控性。没有动作记录时，潜动作模型耦合逆动力学与前向动力学，用离散码本或连续瓶颈限制信息量（LAPO、LAPA、Moto、Genie；AdaWorld、IGOR 用连续潜动作）。但潜动作可能锁定错误的变化来源：LAOM 表明视觉干扰项会让潜动作编码背景或相机运动，少量动作监督能把它锚定到主体。有动作时，条件要绑定到正确的时间、视角、对象和后果：IRASim 逐帧注入动作，EA-WM 把运动学投影成相机视角下的视觉动作场，Aero-World 用冻结的潜物理探针检查惯性一致性。

长程一致与记忆。失败发生在两个尺度：局部的误差回流累积，全局的有限上下文丢弃不再可见的实体。前者需要训练与部署对齐——Diffusion Forcing 给序列元素独立噪声水平，CausVid / Self-Forcing / Causal Forcing 把双向多步教师蒸馏为因果少步学生，Rolling / Next / One / Delta Forcing 改变窗口、视界或目标。后者需要存储、压缩或递归更新：WorldMem 以位姿和时间检索存储帧，VMem 用 3D surfel 索引，RELIC 在 KV 缓存中保存压缩历史，Matrix-Game 3.5 用几何投影的潜 patch 和参考 token 避免把物体的旧位置误认为新物体；FramePack 给旧帧更小的表示预算；状态空间模型、Echo-Infinity、WorldTrace 保持固定大小的状态。但记住看见过的东西，不同于追踪画面外的变化：WorldDirector 让规划的物体在不可见时继续移动，LiveWorld 用虚拟监视器生成画面外实体的进展。

实时响应。响应性是新动作到第一个反映它的输出之间的延迟。Vidu S1 在消费级 GPU 上达到 540p / 42 FPS，Wan-Streamer 25 FPS；但有时间压缩时，一个预测潜变量解码出多帧，动作进入的频率可能低于显示帧率——Waypoint-1.5 因此分开报告渲染 FPS、潜 FPS 和控制率。加速路线包括少步蒸馏与对抗后训练（Seaweed-APT 一步生成、AAPT、Causal Forcing++），以及免训练的稀疏注意力（Light Forcing）、缓存（TeaCache、WorldCache）和量化（TurboDiffusion 报告两个数量级的端到端加速）。

物理与因果 grounding。显式路线让模拟器产生动力学、生成器负责渲染（PhysGen、PhysGen3D、PhysCtrl）；隐式路线改变生成器学什么（VideoREPA 蒸馏自监督视频编码器的 token 关系，PhyGDPO 用物理合理性偏好后训练，VLIPP 用 VLM 规划粗粒度运动并转换为结构化噪声）。但合理性目标不记录是哪个力、动作或初始条件产生了运动。干预级证据固定初始状态、改变一个动作或物理参数，比较受影响的未来和不应改变的状态：PhysEditWorld 在不同重力下重放相同游戏回合，OneWorld 要求同一场景的多个动作条件未来共享一个潜在物理解释。

7.3 应用

按谁消费预测来区分：数据引擎（DreamGen、GigaWorld-0 合成带动作标签的轨迹；GAIA-2、Vista、Cosmos 供给罕见的驾驶场景）、想象中训练策略（Dreamer 4 在视频世界模型内用 RL 训练 Minecraft 智能体；World-VLA-Loop 把更新后策略的 rollout 回灌给模型，因为固定的模拟器最常在策略改变后访问的状态上失败）、策略评测环境（WorldGym、WorldEval 以生成的成功率是否保持真实策略排序来验证）、先预测再行动（UniPi、AVDC 生成视频计划再反推动作；NWM 用条件扩散 Transformer 预测候选导航动作下的第一人称观测；V-JEPA 2-AC、DINO-WM 不解码像素直接给候选动作评分）、面向人的交互模拟（Genie 3、GameNGen、Oasis、Matrix-Game 2.0；Vidu S1、Wan-Streamer 把输入从游戏动作扩展到语音）。

应用证据不能停留在视频质量：训练环境应提高真实策略表现，评测环境应正确排序候选策略，规划器应改善动作决策。

7.4 基准与评测

挑战导向：动作跟随（ACT-Bench、iWorld-Bench；MiraBench 测试在本应失败的动作下的「乐观」）、长程记忆（LoopBench 静态重访；但静态缓存也能通过重访测试——MBench、STEVO-Bench、MemoBench 要求画面外改变的物体以更新后的状态回归）、实时响应（应报告动作到达到首个受影响帧的延迟、持续吞吐和延迟方差）、物理因果（Physics-IQ 与真实结果比较，PhyWorldBench 的反物理提示，What-If World 的成对提示同时评结果差异和环境保持）、校准（PAWBench、CaliBench 从固定输入重复采样比较结果分布）。

应用导向：WorldGym / WorldEval 的策略排序一致性、RoboWM-Bench 把生成的操作视频转成动作在物理模拟器里执行、WorldArena 发现感知质量与效用两种排名不必一致、ARC-Bench 审计潜距离目标是否按执行代价给动作排序。不同提示、视界、动作空间和裁判使数字不宜直接横比。

💡 从预测状态到干预与效用。 证据应与转移协议匹配：被动模型展示预测结构，受控模型在动作作用处改变世界并保持其余不变，交互系统在反馈下保持这些后果，决策应用把它们变成更好的选择。

8 Open Challenges｜开放挑战与未来方向

8.1 长程世界一致性。读取远处证据、保持不可见的状态、让它正确演化，是三种不同的能力。大多数记忆方法存储的是看见过的内容，而预测状态还要追踪画面外的变化：被挡住的冰块在融化，回放旧观测会得到一块过时的冰。方向是训练记忆在遮挡期间预测隐藏实体如何演化，并与抑制 rollout 误差的训练（如 LIVE 的前向—反向循环一致）结合；评测应分别改变 rollout 长度和重访距离，报告退化曲线而非终点总分。

8.2 物理与因果 grounding。三个递进层次：识别（读）、合理生成（写）、对干预的正确响应（动作 / 参数条件）。同样的初速度、两种重力，球的轨迹应不同，相机和背景应不变。方向是把物理先验与干预配对数据结合，奖励预期的改变、惩罚其他地方的漂移；评测应定位首个被违反的约束及其出现时间。

8.3 可测量的协同。开放问题是因果性的：增益来自信息共享，还是额外的数据、参数和监督？把每条迁移路径做成可独立关闭的组件，比较两套任务、数据、容量、算力都相同、只在跨向路径是否启用上不同的系统。往返协议要定义不变量，中间表示不得原样携带答案。

8.4 世界属性的标准化评测。两个预测器引导同一台机器人，一个输出视频、一个输出特征：视频可做视觉和轨迹检查，特征需要状态探针，两者都需要决策测试。报告标准应先把协议匹配到预测空间和转移接口，注明视界、动作频率、条件和裁判模型；实时声明需要控制到显示的延迟、持续吞吐和延迟方差。固定候选动作排序应与闭环成功率并列报告。

8.5 从无标注视频扩展控制。夹爪推动方块的同时相机在摇、风车在转，只有推动是主体的动作，而为重建而训练的潜码会一并吸收相机和背景运动。重建精度和码本利用率是控制的弱证据。少量标注锚定真实控制，多视角不变性分离相机运动，时间瓶颈丢弃与控制无关的细节，干预配对标记哪些变化属于主体。伪动作只有在受控环境或真机上产生预期效果时才有用。

8.6 跨场景与跨具身泛化。新房间和新机器人不是同一种泛化。V-JEPA 2-AC 零样本迁移到新场景，但机器人类型在后训练中见过。方向是以物体位移、接触和任务完成等结果定义目标来训练效果保持的映射；评测交叉留出场景与身体组合，注明零样本、校准还是完全微调。

8.7 随机世界与罕见事件。同一历史和动作可能有多种有效未来。能按提示生成碰撞只提供一个案例，不代表知道真实的碰撞概率；多样性不能替代校准，best-of-many 评分隐藏错放的概率质量。方向是用经验事件率或合理的模拟器先验约束输出分布，在固定采样预算下报告恰当评分规则、校准曲线和模式覆盖，区分不可读与无效样本。

💡 扩展世界模型需要干预，而不只是更多片段。 观测规模告诉我们什么会共同出现；干预才告诉我们什么改变了什么。

9 Conclusion｜结论

我们把视频视作潜在时序世界的观测痕迹，用读、写、共享、交互解释基础模型如何连接观测与表示状态。视频世界模型由它学到的转移定义——预测未来视频或视频衍生特征，以被动、固定动作序列或交互方式运行。时间连贯与世界一致的区分，把渲染质量和「模型追踪了画面背后的世界状态」的证据分开。

下一阶段需要更强的证据：能经受遮挡、重访和长程的状态；可控的动作效果；对干预的合法响应；闭环使用下满足控制预算的延迟；随机未来的覆盖与校准；统一模型中匹配的迁移证据；以及在受控环境或真实任务中改善决策。满足这些要求，领域才会从「渲染出令人信服的视频」走向「建模世界如何变化」。

• arXiv：https://arxiv.org/abs/2610.31668

• 全文：https://arxiv.org/pdf/2610.31668

• 项目：https://vid-gen.github.io/video-world-model-survey

• 资源库：https://github.com/vid-gen/awesome-video-world-model