在视频中思考：视频生成器真的能对现实世界进行推理吗？

arXiv 2026 41.5 method

TLDR

提出CGDJ评估视频生成器对真实世界动态的推理，揭示因果理解与生成结果间的感知-预测差距。

评分理由

Strengths: introduces a dual evaluation framework separating explicit causal perception from implicit generative prediction, and applies it to representative video generators. Weaknesses: the abstract lacks detailed methodology and quantitative results, and the approach may not fully resolve concerns about memorization versus causal understanding.

Read-first 评分解释

综合优先阅读分 41.5，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 48。

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：分析、评估、指标

主题相关性 25%

68.6

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：工件

图谱声望 15%

10.9

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：0.0031

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：496。

关键词评分

world model

generative world model

video world model

world dynamics prediction

world simulator

interactive world model

model-based reinforcement learning world model

深度分析

创新点

定义并形式化“Thinking in Video”范式，将视频视为构建、扩展和验证因果思维的媒介，而非仅仅是输出产物。
提出Causal-Generative Dual-Judge (CGDJ)，通过显式因果感知与隐式生成感知-预测差距两种互补评估来审计World Model Consistency。
实证发现开源与闭源视频生成器存在感知-预测差距及音视频错位。

方法

本文提出CGDJ，从两个视角审计World Model Consistency：显式因果感知（Explicit Causal Perception）通过时空展平的视觉问答测试生成器是否将视频场景解读为推理问题；隐式生成感知-预测差距（Implicit Generative Perception-Prediction Gap）评估生成器是否将因果后果渲染为一致的未来视频。该方法应用于具有代表性的开源和闭源视频生成器。

关键结果

开源模型能生成合理的动态，但显式因果感知近乎为零；先进的闭源系统表现出更强但仍有限的推理与生成对齐。进一步分析暴露了音视频错位：模型用语言表述正确因果逻辑的可靠性高于其渲染效果，这对“世界模拟器”叙事构成挑战。

局限性

令人信服的视频rollouts可能反映的是记忆中的外观，而非因果理解。
现有指标将感知保真度与语义逻辑分开，这既推动了统一评估的需求，也凸显了其难度。
开源生成器的显式因果感知接近零。
先进的闭源系统在推理与生成之间的对齐仍然有限。
模型存在音视频错位，挑战了“世界模拟器”叙事。

技术栈

Video generation modelsVisual Question AnsweringCausal reasoningWorld models

资源

论文