视频 = 世界 + 事件流

arXiv 2026 39.3 method, system

TLDR

将视频重构为世界加事件流，用于实时交互预测，应用于全双工视听交互。

评分理由

Strengths: Novel conceptual framing of video as world + event stream, enabling general-purpose pretraining for real-time tasks. Weaknesses: Abstract lacks detailed methodology, evaluation metrics, or comparison to baselines; claims are high-level without empirical evidence beyond latency numbers.

Read-first 评分解释

综合优先阅读分 39.3，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 46。

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

主题相关性 29%

65.7

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：结果

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：无

引用影响力 18%

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 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

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：279。

关键词评分

video world model

world dynamics prediction

world model

interactive world model

generative world model

world simulator

model-based reinforcement learning world model

深度分析

创新点

将视频重构为世界（持久上下文）加事件流（动态变化）
通用预训练任务：给定世界和输入，实时预测世界如何移动、变化和响应
将预训练能力特化到实时全双工视听交互
类视觉-语言-动作的映射，将多模态用户输入映射到语音和行为动作

方法

该模型是一种原生流式交互模型，将视频分解为稳定的世界上下文和动态的事件流。它在大量真实视频上进行预训练，以预测实时世界变化，然后通过将多模态输入映射到语言形式的语音和行为动作，特化到实时视听交互。

关键结果

该模型保留了Wan-Streamer v0.2的运行点：640x368视频，25 FPS，160 ms流单元，约200 ms模型侧响应延迟，以及在350 ms双向网络预算下约550 ms的总交互延迟。

资源

论文