可交互世界中的精确编辑与灵活引用
TLDR
EditWorld是一个视频世界模型，通过流式编辑指令和参考图像，实现交互世界的精确编辑与灵活引用。
评分理由
The paper clearly addresses a gap in world modeling by extending it from exploration to precise modification and introduces targeted mechanisms such as Gated Causal Attention and Sparse Context. Weaknesses include the abstract lacking discussion of limitations, generalization, or broader comparisons, with evidence primarily limited to the proposed benchmark.
Read-first 评分解释
综合优先阅读分 39.6，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。
研究版图角色
排序敏感性
稳定性：volatile；排名波动范围：465。
关键词评分
深度分析
创新点
- 将视频世界模型从探索扩展到精确修改，通过在自回归生成过程中流式输入编辑指令和参考图像。
- 引入Gated Causal Attention以处理随时间变化的编辑条件和参考图像。
- 引入Sparse Context机制，为长时程推理维护有界的历史上下文。
- 采用自回归与双向联合训练，并结合退火自重采样（annealed self-resampling）。
- 构建了专门的数据合成与标注流程，为世界编辑提供监督信号。
- 提出WBench-Editing，系统评估流式世界编辑能力。
方法
EditWorld是一种视频世界模型，在自回归生成过程中将编辑指令和参考图像作为条件流式输入。它使用Gated Causal Attention处理随时间变化的编辑条件和参考图像，并采用Sparse Context机制在长时程推理中限制历史上下文。训练采用自回归与双向联合目标，结合退火自重采样（annealed self-resampling），并由自定义数据合成与标注流程提供支持；评估在提出的WBench-Editing基准上进行。
关键结果
EditWorld在WBench-Editing上取得最优总体性能，总体得分为73.8，编辑得分为80.0，在编辑相关指标上大幅优于现有方法。