学习用于交互式视频生成的世界模型

arXiv 25.5 2025 42.4 method

TLDR

提出VRAG以减少累积误差并提升交互式视频世界模型的时空一致性。

评分理由

Strengths: Identifies key challenges (compounding errors, memory) and proposes a novel retrieval-augmented approach (VRAG) with global state conditioning. Weaknesses: Limited experimental details in abstract; claims about irreducible errors require further validation.

Read-first 评分解释

综合优先阅读分 42.4，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 51。

近期性 6%

86.7

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：2025

主题相关性 29%

72.9

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：基准

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。引用数：0

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

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：402。

关键词评分

world model

interactive world model

video world model

generative world model

world dynamics prediction

world simulator

model-based reinforcement learning world model

深度分析

创新点

通过动作条件和自回归框架增强图像到视频模型的交互能力
揭示累积误差在自回归视频生成中本质上是不可约的
提出带有显式全局状态条件的视频检索增强生成（VRAG）
证明带有扩展上下文窗口的朴素自回归生成和检索增强生成因当前视频模型上下文学习能力有限而效果较差
为改进具有内在世界建模能力的视频生成模型建立全面基准

方法

本文通过动作条件和自回归框架增强图像到视频模型以实现交互性。提出带有显式全局状态条件的视频检索增强生成（VRAG）以解决累积误差和记忆限制问题。该方法与带有扩展上下文窗口的朴素自回归生成和检索增强生成进行对比评估，使用长视频生成任务测量累积误差和时空一致性。

关键结果

VRAG显著减少了长期累积误差并提高了世界模型的时空一致性，而带有扩展上下文窗口的朴素自回归生成和检索增强生成因当前视频模型上下文学习能力有限而效果较差。

局限性

累积误差在自回归视频生成中本质上是不可约的，VRAG只能减少而无法消除它们。

资源

论文