BiWM：利用双向自回归推进开源交互式视频世界模型

arXiv 2026 57.1 method, system

TLDR

BiWM是首个开源双向自回归交互式视频世界模型框架，实现高效相机控制与长程生成。

评分理由

The paper presents a novel framework that reduces training stages and improves interactivity over existing causal models, with strong empirical results across multiple backbones. However, the abstract lacks detailed quantitative comparisons and does not address limitations like computational cost or failure cases.

Read-first 评分解释

综合优先阅读分 57.1，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。原始总分保留为 48。

近期性 6%

100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。年份：2026

引用影响力 18%

95.8

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。归一化引用分位：0.95813327

主题相关性 29%

68.6

使用现有 LLM 关键词相关性评分，并归一化到 0-100。关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。命中信号：无

可复现性 18%

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。论文：有；代码：无；数据：无；命中信号：无

引用速度 12%

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。年均引用：0.00

研究版图角色

基础论文前沿论文桥接论文

排序敏感性

稳定性：volatile；排名波动范围：509。

关键词评分

interactive world model

video world model

world model

generative world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

首个面向双向自回归范式的交互式视频世界模型全栈框架
仅需两个训练阶段（而非四个）即可联合优化生成质量与推理速度
单一配方支持多种骨干网络（Wan2.1-1.3B、Wan2.2-5B、HunyuanVideo-1.5-8B、LTX-2.3-22B）
实现真实世界相机控制，而先前因果模型（minWM）失去可控性
可插拔历史压缩（FramePack风格和PackForcing风格）支持长程生成
可选的NVFP4 4位训练/推理流水线
引入GAN和覆盖质量的forward-KL目标以对抗DMD的模式坍缩退化

方法

BiWM从预训练视频骨干网络出发，通过微调注入相机控制，然后应用少步分布匹配蒸馏（DMD）阶段将骨干网络转化为动作/相机可控的世界模型。这一两阶段流水线替代了minWM的四阶段因果流水线，在8×H200 GPU上仅需数百步即可收敛。该框架还支持对现有双向模型进行二次微调，并集成了可插拔历史压缩和可选的4位流水线。

关键结果

BiWM在8×H200 GPU上数百步内收敛，实现了minWM失去可控性的真实世界相机控制，并开源供资源受限的研究和高保真环境模拟使用。

局限性

DMD的模式坍缩退化虽通过额外目标缓解，但可能无法完全消除
需要预训练视频骨干网络和微调阶段，限制了无此类骨干网络的模型的应用
极长程生成或极端相机控制下的性能在摘要中未明确量化

技术栈

Wan2.1-1.3BWan2.2-5BHunyuanVideo-1.5-8BLTX-2.3-22BDMDGANforward-KLNVFP4FramePackPackForcing

资源

论文