WorldPlay：面向实时交互世界建模的长期几何一致性

arXiv 25.12 2025 42.7 method, system

TLDR

WorldPlay是一种实时交互视频扩散模型，通过新颖的记忆和蒸馏技术实现长期几何一致性。

评分理由

Strengths include a novel memory mechanism (Reconstituted Context Memory) and distillation method (Context Forcing) enabling real-time 720p video with long-term consistency. Weaknesses are limited detail on quantitative comparisons and potential limitations not discussed in the abstract.

Read-first 评分解释

综合优先阅读分 42.7，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 56。

近期性 6%

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 29%

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：指标

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：477。

关键词评分

world model

interactive world model

generative world model

video world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

双动作表示（Dual Action Representation），用于从键盘和鼠标输入实现鲁棒的动作控制
重构上下文记忆（Reconstituted Context Memory），动态地从过去帧重建上下文，并利用时间重帧使几何上重要但久远的帧保持可访问，缓解记忆衰减
上下文强制（Context Forcing），一种专为记忆感知模型设计的新型蒸馏方法，对齐教师和学生之间的记忆上下文以保留长程信息，实现实时速度并防止误差漂移

方法

WorldPlay是一种流式视频扩散模型，使用双动作表示（Dual Action Representation）从用户输入实现鲁棒的动作控制。它采用重构上下文记忆（Reconstituted Context Memory）动态地从过去帧重建上下文，并利用时间重帧实现长期几何一致性。此外，上下文强制（Context Forcing）是一种蒸馏方法，对齐教师和学生之间的记忆上下文以保留长程信息并实现实时速度。

关键结果

WorldPlay以24 FPS生成长期流式720p视频，具有卓越的一致性，与现有技术相比表现优越，并在多种场景中展现出强大的泛化能力。

资源

论文项目