教视频生成器记住：为视线外的状态演化引出动态记忆

arXiv 2026 55.4 method, benchmark

TLDR

ReMind通过面向记忆的数据和课程训练激发视频生成器的动态记忆，在STEVO-Bench上达到最优。

评分理由

The paper introduces a novel framework to address the limitation of video world models freezing hidden states during interruptions, with a comprehensive data mixture and curriculum. Strengths include a clear problem definition and strong empirical results, but the abstract lacks detailed baseline comparisons and explicit limitations.

Read-first 评分解释

综合优先阅读分 55.4，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 45。

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%

85.7

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：0.85724824

主题相关性 29%

64.3

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：评估

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：代码

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

排序敏感性

稳定性：volatile；排名波动范围：352。

关键词评分

video world model

world model

generative world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

ReMind框架，通过面向记忆的数据、事件感知训练和缓存适配，激发视频扩散Transformer的动态记忆行为。
基于100+动态事件分类的相机标注训练混合数据，包括VLM筛选的真实视频、生成的困难动态、合成相机循环和记忆中断增强。
帧图表示，包含保护锚点、退化区间和显式时间间隔，用于结构化训练片段。
节点结构化课程，包括节点丢弃、噪声记忆、前沿延续和参考缓存训练，强制模型在中断时检索相关过去状态。
PM-RoPE，一种相机相位RoPE扩展，以单注意力成本实现时空检索，同时保留预训练路径。

方法

ReMind基于100+动态事件分类构建训练混合数据，使用VLM筛选的真实视频、生成的困难动态、合成相机循环和记忆中断增强。每个片段转换为带有保护锚点、退化区间和时间间隔的帧图。节点结构化课程（节点丢弃、噪声记忆、前沿延续、参考缓存训练）强制模型在中断时检索相关过去状态，PM-RoPE扩展RoPE以单注意力成本实现时空检索。

关键结果

ReMind在STEVO-Bench和恢复任务上取得最佳总体分数。通用图像到视频评估确认该课程避免了灾难性遗忘。

技术栈

Video Diffusion TransformerKV-cachePM-RoPEVLMFrame GraphNode-structured Curriculum

资源

论文