WorldFlow：联合预测视频与3D运动的生成式世界模型

WorldFlow 用统一骨干联合预测视频与3D轨迹，并发布 WorldFlowBench。

资讯摘要

论文提出 WorldFlow，一个联合预测未来视频与基于查询的3D轨迹的生成式世界模型。它将3D运动参数化为与视频网格对齐的连续位移 token，用统一的 Mixture-of-Transformers 骨干在 rectified-flow 目标下同时去噪两种模态。作者在144万条对象级样本上训练，并构建 WorldFlowBench（1678个评估样本、11个数据源）。作者报告其在三组评估中取得最低 ADE 与 FDE，SpatialCog 集 ADE 为0.060米。

要点速读

1. 将3D运动表示为与视频网格对齐的连续位移 token，由统一 MoT 骨干联合去噪视频与轨迹。
2. 训练数据为144万条对象级样本，覆盖仿真与真实域。
3. 作者报告 WorldFlowBench 三组评估中 ADE/FDE 最低，SpatialCog 集 ADE 0.060 米，较最强外部基线降低54.2%。

中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/31 08:00:18（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。