Incantation：自然语言作为多实体视频世界模型的动作接口

arXiv 2026 61.6 method

TLDR

Incantation 以自然语言为动作接口，实现多实体视频世界模型的高跨实体迁移与实时流式。

评分理由

The paper introduces a novel natural language conditioning interface for interactive video world models, enabling fine-grained multi-entity control and cross-entity generalization. Strengths include real-time performance and strong transfer results, but the evaluation is limited to specific game domains and the dataset is only a preview.

Read-first 评分解释

综合优先阅读分 61.6，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 49。

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%

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：0.81015611

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：基线、数据集、评估

主题相关性 29%

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 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：数据集

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方法锚点

排序敏感性

稳定性：volatile；排名波动范围：381。

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

以自然语言作为多实体视频世界模型的动作接口，实现每潜在帧（0.25秒）的条件控制
采用ODE初始化的自强制蒸馏与RoPE解耦滑动KV缓存，实现实时长时域流式处理
首个支持同时多实体控制与概念级跨实体迁移的交互式视频世界模型，超越固定渲染管线

方法

Incantation 使用预训练的双向视频骨干网络与帧局部文本交叉注意力机制，在每个潜在帧上以自然语言为条件。训练采用ODE初始化的自强制蒸馏和RoPE解耦滑动KV缓存以实现高效流式处理。模型在跨实体迁移和词汇外提示任务上与Action-Index基线进行对比评估，使用包含《艾尔登法环》和《拳皇》片段的自定义数据集，这些片段带有结构化的动作导向元数据。

关键结果

Incantation 在跨实体迁移准确率上达到89%（Action-Index基线为43%），在词汇外提示准确率上达到90%（基线为0%）。两步学生模型在480p分辨率下以19.7 FPS运行，并在2小时滚动生成中保持稳定的FVD。

局限性

目前仅发布了数据集的预览子集；完整的《艾尔登法环》和《拳皇》数据待发布
评估仅限于两个游戏领域（《艾尔登法环》和《拳皇》），未验证在其他环境中的泛化能力
该方法需要每个实体的动作词汇槽，对于新领域或新实体可能需要手动指定

资源

论文