论文页面 - Wonder：更好的视频世界模型

来源：https://huggingface.co/papers/2607.26037

摘要

我们提出 Wonder，一个通用的视频世界模型，用于实时、可控制摄像头的世界探索。给定一张图像或一段条件视频，Wonder 构建了一个可玩的虚拟世界，用户可以通过移动摄像头进行交互式导航，实时并且长期地发现未观察区域、重新访问之前观察过的区域。实现这一能力需要在控制方法、记忆机制和训练策略上进行系统级的协同设计。我们引入了一种新颖的摄像头条件方法，采用稠密坐标场，其渲染结果提供空间对齐的运动和方向线索，使模型能够将摄像头运动直接解释为视觉证据。为了在逐渐增长的生成上下文中支持快速且精确的记忆检索，我们提出了一种高效的基于稀疏注意力的记忆机制，使模型能够在推理时选择性地关注一小部分相关的上下文 token，无论实际上下文长度如何。我们进一步开发了多种技术来修正自强制式蒸馏流程，提高了学生模型尊重控制信号的能力，同时保持了来自教师模型的多样化生成模式和长期记忆。这些组件共同使 Wonder 能够以16FPS的速度合成多样化、分钟级的视频，同时在整个长序列中保持连贯的几何、外观和动态。除了图像到视频的生成，Wonder 还自然支持视频条件生成，允许现有的动态场景被实时重新拍摄。

查看 arXiv 页面 (https://arxiv.org/abs/2607.26037) 查看 PDF (https://arxiv.org/pdf/2607.26037) 项目页面 (https://wonder-world-model.github.io/) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.26037)

在你的 agent 中获取此论文：

hf papers read 2607.26037

没有最新的 CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型0

无模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2607.26037 即可链接到此页面。

引用此论文的数据集0

无数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2607.26037 即可链接到此页面。

引用此论文的 Spaces0

无 Space 链接此论文

在 Space README.md 中引用 arxiv.org/abs/2607.26037 即可链接到此页面。

包含此论文的收藏0

无收藏包含此论文

将此论文添加到收藏 (https://huggingface.co/new-collection) 即可链接到此页面。