通过视频阅读、书写、共享并与世界交互

arXiv 2026 41.8 survey

TLDR

一篇以世界建模为统一视角综述视频基础模型与视频世界模型，将领域组织为读取、写入、共享和与世界状态交互。

评分理由

The paper provides a novel unifying framework that connects video understanding and generation to world modeling, and it explicitly covers datasets and benchmarks. As a survey, it does not introduce new methods, and the abstract alone limits detailed assessment of specific contributions.

Read-first 评分解释

综合优先阅读分 41.8，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 5%

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 15%

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、数据集、评估、实验

主题相关性 25%

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

可复现性 15%

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

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

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 10%

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：541。

关键词评分

world model

video world model

interactive world model

world dynamics prediction

generative world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

采用世界建模作为统一视角，连接视频基础模型与视频世界模型，将观测视频视为潜在时间世界的部分、有损且按时间排序的投影。
将视频文献组织为四种互补操作：读取、写入、共享与交互。
区分观测或生成序列中的时间连贯性与底层世界状态的一致性。
追踪了研究重心从片段级识别和感知保真度向持久状态、可控演化、物理与因果有效性以及基于交互的评估的转变。

方法

本综述围绕读取、写入、共享和交互这四种操作组织现有视频建模研究，并通过该框架分析任务、表示、模型、数据集和基准。它没有提出新的实证实验，而是在世界建模视角下综合并对比已有工作。

关键结果

该综述识别出领域从片段级识别和感知保真度向持久世界状态、可控演化、物理与因果有效性以及基于交互和下游决策的评估的转变，并提炼了随之而来的开放挑战。

资源

论文