EvoWorld 提出视频世界模型因果演化新任务与基准
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载任务定义与问题动机
论文指出，生成式视频模型常被当作视觉世界模拟器使用，但其长处在于生成看起来合理的像素，并不擅长推理世界应当如何变化。作者把这种差距具体化为一个新问题：视野外因果演化。当某个事件发生后，模型不仅要画出事件本身，还要推断它对世界中各实体的后果，再渲染由此形成的新状态。论文举的例子是野兽出现后，模型应判断附近的人是逃跑、躲避还是反击，而不是只把野兽画出来。现有扩散视频模型缺少显式维护世界状态、并对事件条件后果做推理的机制，输出往往画面可信但行为静止或因果不一致。
大脑与渲染器分工
作为参考方案，作者提出 EvoWorld 框架，把系统拆成两部分协作。视觉语言模型承担「世界大脑」的角色：它观察已经生成的视频片段，维护一份随剧情推进而更新的世界状态记录，并推理接下来哪些状态转移是合理的。分段自回归的视频渲染器则负责把这些推理结果落实为画面，逐段生成后续内容。这种分工让因果推理与像素渲染各自独立，从而在视野之外延续出与先前事件相衔接的结果，而不是仅凭视觉先验继续生成。
数据、基准与实验结果
为让该问题可训练、可测量，作者同时构建了 EvoWorld-Data 与 EvoWorld-Bench，评测维度包括事件是否被实现、因果反应是否合理，以及重访先前场景时的一致性。实验结果显示，EvoWorld 在事件条件下的因果演化方面较近期模型有明显改善，同时视觉质量与一致性没有下降。作者将该框架定位为一个参考点，用于推动超出当前视野的、由推理引导的自主世界演化研究。
为什么值得看
把视频生成从「画面像不像」推进到「世界该怎样演化」，并给出可测量的任务与基准。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。