HelloWorld：在视频世界模型中实现社交互动角色

arXiv 2026 67.1 method, system

TLDR

HelloWorld通过自蒸馏与免训练交叉注意力调制，在视频世界模型中实现社交互动角色。

评分理由

The paper presents a novel method for adding social interaction to video world models, with a self-distillation pipeline and a benchmark. Strengths include clear contribution and evaluation; weaknesses are limited interaction types and lack of full world dynamics.

Read-first 评分解释

综合优先阅读分 67.1，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 45。

近期性 8%

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

方法质量 25%

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：基线、基准、评估、实验、指标

主题相关性 42%

64.3

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

可复现性 25%

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：GitHub

研究版图角色

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：150。

关键词评分

interactive world model

video world model

world model

generative world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

通过按钮按下实现与角色社交互动的视频世界模型
自蒸馏管道：在模型自身合成的包含社交互动和相机运动的数据上微调，学习相机姿态条件而不降低互动质量
免训练推理模块：调制DiT的交叉注意力掩码，在时间上将角色响应定位到按下窗口内
HelloWorldBench：包含400个样本的基准，具有三个社交互动指标和三个传统指标

方法

HelloWorld是一个视频世界模型，允许用户通过按钮按下提示角色做出响应。它使用自蒸馏管道，模型首先生成包含社交互动和相机运动的训练片段，然后在其上进行微调以学习相机姿态条件。推理时，一个免训练模块调制DiT的交叉注意力掩码，使得互动提示仅关注按钮按下窗口内的帧，从而在时间上定位响应。

关键结果

HelloWorld在HelloWorldBench的互动质量上超越了多种基线，同时保持了最先进的画面美学和相机姿态跟随能力。

技术栈

DiT (Diffusion Transformer)Self-distillationCross-attention modulationCamera-pose conditioningHelloWorldBench

资源

论文