以世界建模视角综述视频基础模型

综述以世界建模统一视角梳理视频理解与生成研究。

资讯摘要

这篇综述以世界建模为统一视角梳理视频基础模型研究，把观测视频视为潜在时序世界的部分、有损且按时间排序的投影，并围绕读取、写入、共享、交互四类操作组织文献。作者区分了序列的时序连贯性与底层世界状态的一致性，指出研究重心正从片段级识别和感知保真度转向持久状态、可控演化、物理与因果有效性，以及基于交互和下游决策的评估。

要点速读

1. 综述将视频理解与视频生成统一到世界建模框架下，提出读取、写入、共享、交互四种互补操作。
2. 作者区分观测或生成序列的时序连贯性与底层世界状态的一致性。
3. 作者报告研究重心正转向持久状态、可控演化、物理与因果有效性及交互式评估，并总结开放挑战。

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 2026/10/24 08:00:35（北京时间）。