标签
SolarWM引入了一个开放框架和统一训练配方，用于通过跨多样数据源的可扩展训练构建交互式视频世界模型，从而实现长时程实时运行。
ForgeWM 是一个渐进式框架，它将双向视频生成器蒸馏为高效的少步数交互式世界模型，支持低延迟交互和重放时优化，在 Minecraft 和 FPS 游戏中展示了改进。
NVIDIA及其合作者的一项最佳论文研究引入了WorldTrace，这是一个无需训练的框架，通过分配固定的槽位秩位置，使自回归视频世界模型中的压缩记忆保持可寻址，从而实现连贯的长程生成和超越训练视野的长距离回忆。
Introduces Latent Dynamics Reasoning (LDR), a video world model that integrates kinematic dynamics in a structured latent space, enabling extrapolation of learned dynamics far beyond training distributions while using far fewer parameters and running much faster than video diffusion baselines.
本文介绍了WorldTrace，一种无需训练的记忆框架，用于长时程视频世界模型，使压缩缓存保持可寻址；同时引入了LoopBench，一个用于在长时间绕行后进行情景回想的基准测试。它在LoopBench上将时间一致性提升了+15.5%，情景回想提升了+19.5%。
HelloWorld是一个视频世界模型，支持社交互动角色，用户只需按一次按钮即可提示屏幕上的角色做出回应。它利用自蒸馏和无训练交叉注意力掩码来使互动自然化，并引入了用于评估的HelloWorldBench。
MiniWorld 是一个可复现的框架，用于从零训练视频世界模型，采用带流匹配的块因果视频扩散变换器，能够实现高效的流式生成，并可在单台 8-GPU 服务器上数天内完成训练。
ShadowDancer 提出了一种方法，通过从视频及其阴影中学习统一的动力学表征，实现交互式视频世界模型的任意动作、帧级控制，从而在没有标签或运动估计器的情况下实现可迁移的动作控制。实验表明，与基线相比，动作迁移和展开性能均有提升。
AlayaWorld 是一个用于构建可交互生成世界的开源框架，支持实时用户交互和多样化动作。该框架统一了从数据准备到部署的完整开发流程。
MemLearner 提出了一种基于学习的自适应上下文查询方法，使用查询令牌来改善视频世界模型中的场景一致性和记忆，特别适用于具有遮挡和动态物体的长序列。
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。
本文介绍了MBench，一个用于评估视频世界模型在长时间跨度下对实体、环境和因果一致性记忆能力的基准。
本文介绍了用于视频世界模型的潜在空间记忆，将3D场景信息直接存储在扩散潜在空间中，以避免昂贵的像素空间重建。所提出的Mirage框架实现了高达10.57倍的生成加速和55倍的内存缩减，同时在WorldScore和RealEstate10K上取得了最先进的性能。
StressDream通过优化噪声初始化结合语义目标与合理性目标，将基于扩散的想象引导至具有高影响力且合理的结果，从而增强视频世界模型，实现鲁棒的策略评估与改进。
minWM 是一个全栈开源框架，可将双向视频扩散模型转换为实时交互式视频世界模型，支持可控相机、低延迟推演和模块化架构。
Incantation 提出了一个交互式视频世界模型，该模型使用自然语言作为动作接口，实现细粒度的多实体控制和跨实体泛化，通过新颖的注意力机制和蒸馏技术实现了高性能和实时流式处理。
MultiWorld 是一个统一的多智能体多视角视频世界建模框架，通过多智能体条件模块与全局状态编码器，在精准控制多智能体行为的同时保持多视角一致性。