通过视频读取、书写、分享并与世界互动
这篇综述从统一视角考察视频基础模型与视频世界模型：视频是潜在世界不完整且按时间排列的投影。文章将相关研究归纳为四种操作：从视频推断世界属性、依据世界条件生成视频、结合理解与生成，以及根据行动和新观测预测并更新世界状态。综述区分了视频序列的时间连贯性与底层世界状态的一致性，并梳理研究重点从片段识别和视觉保真度转向持续状态、可控演变、物理与因果有效性，以及以交互和后续决策为基础的评估。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。