用人工智能模拟视觉世界：路线图

arXiv 25.11 2025 65.1 survey

TLDR

将视频基础模型概念化为隐式世界模型与视频渲染器的组合，追溯四代发展至交互式、物理合理的模拟。

评分理由

Strengths: Provides a clear conceptual framework linking video generation to world models, with a structured roadmap of four generations. Weaknesses: As a survey, it lacks new empirical experiments or real-world validation, and the abstract does not detail specific benchmarks or datasets.

Read-first 评分解释

综合优先阅读分 65.1，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 57。

近期性 8%

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 42%

81.4

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 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：无

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：代码、GitHub

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：335。

关键词评分

world model

world simulator

generative world model

video world model

interactive world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

将视频基础模型概念化为隐式世界模型与视频渲染器组合的概念框架
视频生成向能力不断增强的世界模型发展的四代演进
下一代世界模型的路线图和设计原则，包括智能体智能的作用

方法

本综述系统性地概述了视频生成的演变，将现代视频基础模型分为两个核心组件：隐式世界模型和视频渲染器。它追溯了通过四代的进展，定义了核心特征，突出了代表性工作，并考察了应用领域，如机器人、自动驾驶和交互式游戏。

关键结果

本综述追溯了视频生成通过四代的进展，最终达到一个世界模型，该模型具有内在的物理合理性、实时多模态交互以及跨越多个时空尺度的规划能力。

局限性

当前的视频生成模型缺乏内在的物理合理性和实时多模态交互能力
现有模型在多个时空尺度上的规划能力不足
设计下一代世界模型仍存在开放挑战，包括智能体智能在塑造和评估这些系统中的作用

资源

论文项目