标签
WorldCast 通过 3D 点云引导与几何对齐记忆注意力（GAMA），实现大角度相机运动下角色视频生成的外观、几何与身份一致性，并提出大规模基准数据集 CLACT。
Holo4D 是一个视频重拍框架，利用重建的 3D 轨迹骨架来引导预训练的视频扩散模型进行新视角视频合成，在保留场景几何结构和运动的同时，以生成方式补全未观测区域，无需重新训练生成器。
4LC 提出一种用于动态世界建模的 4D 潜空间缓存，通过复合视觉表示（VAE、DINO、V-JEPA、VGGT）和灵活的时空访问接口，高效复用静态与动态内容作为生成条件，支持相机控制、时间控制、新视角合成与长时生成等多项视频生成任务，且无需任务特定微调。
作者使用 DeepSeek V4 Flash，在半天内逆向解析了 DJI Pocket 3 的通信协议，并开发了一款自定义 CLI 工具，用于拍摄、预览和云台控制，实现了通过电脑统一控制多台相机和 RGB 灯光。
HLA-WM 提出一种免训练的混合线性注意力框架，通过几何引导的检索与递归线性状态重组，缓解 GatedDeltaNet 在长时视频世界模型中的远距离遗忘问题。在 60 秒基准上，该方法以 12 倍内存节省同时提升了所有一致性与相机控制指标。
本文提出GEAR（几何启用的注意力路由）框架，该框架利用几何作为视觉记忆的显式令牌级地址，以增强长时序相机控制视频生成，并达到最先进的成果。
WorldCrafter是一个视频世界模型，它学习一个可相机查询的隐式3D感知记忆，用于从单张图像或文本提示进行一致且相机可控的流式场景探索。
AlayaVista 是一种可控摄像头的流式视频世界模型，它将全景场景演化与透视视频合成解耦，并通过大规模的 MUGEN 数据集支持高保真交互式世界建模。
本文介绍了 World in World，这是一个无需训练的接口，可以通过使用对应引导查询和基于证据的注意力指导，在冻结的自回归视频世界模型中实现灵活的相机和时间控制。
FlashRender是一个几步生成式渲染框架，通过对齐表示和使用均值流目标来加速视频合成，在显著降低采样成本的同时，达到与多步方法相当的质量。
Atlas by World Labs 是一款全能世界模型，支持从文本、图像、视频和3D输入生成摄像机控制的高清视频，实现场景重建与时空模拟，专为机器人设计，现已开放早期访问。
World Labs 推出 Atlas，一个能够生成、重建和模拟三维环境的多模态世界模型，并支持相机控制和空间一致性。
本文介绍了JoyAI-Echo-1.5，这是一个统一的音视频生成系统，适用于长视频和交互式世界，使用跨镜头记忆和几何感知控制来保持连贯性和持久性。
SCoPE 是 TencentARC 提出的一个模型，它将相机视线作为位置坐标添加到预训练的视频扩散 Transformer 中，从而能够在保持图像到视频先验的同时实现相机轨迹控制。该发布包含一个用于 Wan2.2-I2V-A14B 推理的自包含检查点。
TopviewAI 的 Film Studio 为 AI 视频生成提供了六种控制，包括表演指导、镜头控制和 3D 场景布局，让电影制作人能够执导镜头，而不仅仅是提示片段。
Wonder是一个通用的视频世界模型，能够从一张图像或条件视频中实现实时、可控制摄像头的世界探索。它通过密集坐标场引入摄像头条件化，采用稀疏注意力记忆机制，并改进蒸馏技术，从而支持以16 FPS生成分钟级的视频。
AlayaWorld 是一个全栈、开源的视频世界模型，能够生成720p、24帧/秒的流式视频，支持相机控制，实现动态场景创建。
介绍了ViewSuite，这是一个具有6自由度相机控制和约16.5万个任务的基准测试，用于评估VLM规划相机移动的能力。发现了一个规划差距：模型可以跟踪但无法组合计划，并提出了视图图蒸馏（RL-Graph-SFT）方法，将成功率从2.5%提升到47.8%。
Holo-World 提出了一种统一的可控视频世界模型，能够从单张图像生成视频，并显式控制相机、物体运动与天气。该工作引入了一个新颖的数据集与技术，可在将场景迁移至目标天气状态的同时保持场景结构。
DreamX-World 1.0 是一个通用的交互式文本/图像到视频世界模型，支持相机导航、场景持久化和跨多个领域的可提示事件，利用 E-PRoPE、因果强制和记忆条件场景持久化等新技术实现可控的长时程生成。