World-in-Context：基于上下文条件化的交互式视频世界建模

arXiv 2026 61.3 method

TLDR

World-in-Context 用上下文 token 统一视角、动作和相机控制，在 WBench 上实现强导航与视角切换性能。

评分理由

The paper introduces a novel conditioning framework that disentangles controls and uses IT-RoPE for temporal continuity, with convincing benchmark results. Weaknesses include limited abstract detail about methodology and no explicit discussion of limitations or broader applicability.

Read-first 评分解释

综合优先阅读分 61.3，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 52。

近期性 8%

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 42%

74.3

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 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：基线

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

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：395。

关键词评分

world model

interactive world model

video world model

generative world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

In-Context Conditioning (ICC)：将视角、动作和相机控制统一为显式 token，置于共享自注意力空间中，而非使用专门的条件化路径。
显式视角 token：解开冲突动态，并从单视角数据中实现涌现式视角切换。
动作与相机输入的互补使用：动作控制局部响应性，相机控制全局稳定性。
Interaction-Transport RoPE (IT-RoPE)：用累积的控制转移对时间注意力进行参数化，以在执行间隔间保持时间连续性。

方法

World-in-Context 使用 In-Context Conditioning 将视角、动作和相机控制表示为显式 token，并在共享的自注意力空间中进行上下文化，避免碎片化的架构条件路径。它引入 Interaction-Transport RoPE，在时间注意力中编码累积的控制转移。该框架在 WBench 上使用 World-in-Context-5B 进行评估，与包括 EchoWM 22B 和现有 5B 模型在内的基线进行对比。

关键结果

World-in-Context-5B 在 WBench 上取得 81.5 的导航性能，与 22B EchoWM（81.6）相当；视角切换成功率达 93.8%，而现有 5B 基线仅为 18.8%。受控分析表明，在更丰富的条件混合下具有叠加优势、良好的数据效率，并适用于因果展开。

资源

论文