近年来，， ，，，，，视频天生（Video Generation）与天下模子（World Models）已跃升为人工智能领域最炙手可热的焦点。。。。 。。。从 Sora 到可灵（Kling），， ，，，，，视频天生模子在运动一连性、物体交互与部分物理先验上逐渐体现出更强的「天下一致性」，， ，，，，，让人们最先认真讨论：能否把视频天生从「逼真短片」推进到可用于推理、妄想与控制的「通用天下模拟器」。。。。 。。。
与此同时，， ，，，，，这一研究偏向正快速与具身智能（Embodied AI）、自动驾驶（Autonomous Driving）等前沿场景深度交织，， ，，，，，被视为通往通用人工智能（AGI）的主要路径。。。。 。。。
然而，， ，，，，，在研究热潮之下，， ，，，，，「作甚真正的天下模子」以及「怎样评判视频模子的天下模拟能力」等焦点议题却陷入了多维争论。。。。 。。。目今，， ，，，，，天下模子的界说与分类层出不穷，， ，，，，，理论维度的交织重叠往往令研究者感应疑心，， ，，，，，也限制了手艺的标准化生长。。。。 。。。
为建设更系统、清晰的审阅视角，， ，，，，，快手可灵团队与香港科技大学（广州）陈颖聪教授团队（配合一作：博士生王罗州、博士生陈知非）团结揭晓了从全新视角深度剖析视频天下模子的系统综述。。。。 。。。
本文旨在弥合今世「无状态」视频架构与经典「以状态为中心」的天下模子理论之间的鸿沟，， ，，，，，首次提出以「状态构建（State Construction）」与「动态建模（Dynamics Modeling）」为双支柱的全新分类系统。。。。 。。。
别的，， ，，，，，本文力倡将评估标准从纯粹的「视觉保真度」转向「功效性基准」，， ，，，，，并前瞻性地指出了两个要害手艺前沿，， ，，，，，为视频天生演进至鲁棒的通用天下模拟器提供了清晰的蹊径图。。。。 。。。
论文问题：A Mechanistic View on Video Generation as World Models: State and Dynamics论文链接：https://arxiv.org/pdf/2601.17067github 链接：https://github.com/hit-perfect/Awesome-Video-World-Models
综述结构提要
焦点亮点：这篇综述的要害孝顺是什么？？？？？
相比于过往着重于视觉效果的视频天生研究，， ，，，，，本篇综述在多个维度具有代际优势：
全链路视角（Full-Stack Perspective）：彻底突破简单的「渲染」视角，， ，，，，，涵盖了从底层理论界说、中层架构设计（状态构建与动态建模）到上层功效性评估的全生命周期剖析，， ，，，，，确保对视频天下模子全方位的明确。。。。 。。。弥合理论鸿沟（Bridging the Gap）：首次将今世「无状态」（state-less）的视频扩散架构与经典的基于模子强化学习（MBRL）、控制理论举行深度映射，， ，，，，，为天下模子找到了坚实的理论基本。。。。 。。。前瞻性指南（Forward-Looking Guide）：明确了「长期性」与「因果性」 是迈向通用天下模拟器的两大焦点关口。。。。 。。。本研究为业界从被动的「像素展望」转向具备闭环交互与因果干预能力的模拟器提供了清晰的路径参考。。。。 。。。最新研究笼罩：深度梳理了 2024 至 2025 年间涌现的视频天生的最新事情，， ，，，，，反应了目今手艺从视觉保真度向物理一致性转化的前沿趋势。。。。 。。。
焦点理论
天下模子的三大基石
本文首先回归经典，， ，，，，，将天下模子的运作提炼为三个耦合的焦点组件，， ，，，，，构建了从感知到推理的完整链路：
天下模子的焦点操作
基于前文提出的「三大基石」，， ，，，，，本文将天下模子的运行机制归纳为两项焦点操作：
天下模子的学习方法
鉴于天下模子主要效劳于下游决议，， ，，，，，本文将其获�。。。。 。。。ㄑ盗罚┓妒桨从胝铰阅Ｗ樱≒olicy Model）的耦合水平归纳为两类：
闭环学习（Closed-loop Learning / Coupled Training）：天下模子与战略模子团结训练，， ，，，，，天下模子的参数更新直接受战略目的影响（共享梯度 / 端到端优化），， ，，，，，该范式可进一步分为两种结构：顺序组合（Sequential Architecture）：天下模子和战略模子是脱离的�？？？？？�，， ，，，，，但训练时会端到端联动：战略目的爆发的误差信号会通过梯度反向传回天下模子，， ，，，，，从而让天生效果更切合可执行性与物理一致性。。。。 。。。统一架构（Unified Architecture）：将天下模子与战略整合为简单端到端系统，， ，，，，，在统一框架内配合优化感知、展望与行动天生。。。。 。。�？？？？？费埃∣pen-loop Learning / Decoupled Training）：将天下模子视为通过大规模被动数据预训练获得的自力模拟器； ； ；；；；；战略模子可在自身优化中挪用天下模子举行「想象 / 妄想」，， ，，，，，但天下模子不吸收来自战略奖励信号或损失函数的梯度更新（模子冻结）。。。。 。。。
视频模子的演进：迈向鲁棒天下模拟器
现代视频天生模子虽已具备很强的视觉保真度并被视为潜在的天下模子载体，， ，，，，，但与上面剖析的经典天下模子相比仍保存两大概害差别：
在动态（Dynamics）层面，， ，，，，，标准模子常以双向注重力「一次性渲染」牢靠时长片断，， ，，，，，缺少显式时间因果推进，， ，，，，，近期事情则通过因果架构重构（自回归、因果掩码、转动展望等）或因果知识集成（借助 LMM 做妄想约束或统一耦合优化）来注入因果性（causality）。。。。 。。。
焦点支柱
为了描绘视频天生模子迈向稳健天下模子的演进路径，， ，，，，，本文首先从其内部体现入手，， ，，，，，重点审阅状态（state）的构建：将「状态」视为对情形目今设置的充分统计量，， ，，，，，并以此为焦点把历史信息有机融入统一体现中。。。。 。。。通过将恒久配景提炼并沉淀到这种状态体现里，， ，，，，，模子才华在更长时程下维持一致的影象与连贯的模拟。。。。 。。。
随后，， ，，，，，本文进一步剖析视频天生模子中动态（dynamics）行为的泉源，， ，，，，，强调模子需要内化潜在的因果纪律，， ，，，，，使得随时间推进的演化既切合物理可行性，， ，，，，，也在逻辑层面坚持自洽与一致。。。。 。。。
支柱一：状态构建（State Construction）
视频模子怎样「记着」已往？？？？？如那里置历史信息？？？？？本文将现有的状态处置惩罚机制划分为隐式（Implicit State）与显式（Explicit State）两大范式，， ，，，，，并对其优劣举行了深度解构：
隐式状态（影象机制治理）
显式状态（内核体现）
这一范式将状态构建内化为模子自身的压缩历程：它不再维护一直增添的历史帧缓冲区，， ，，，，，而是把历史上下文一连蒸馏进一个全局更新的潜在变量（State）中，， ，，，，，使其成为对视频演化历程的牢靠维度、可递推的数学摘要。。。。 。。。
耦合状态（Coupled States）：状态转移与天生主干深度融合，， ，，，，，模子在统一网络内实现「边天生、边更新」。。。。 。。。状态通常体现为网络内部的隐藏影象（如 SSM/RNN/LSTM 隐状态或注重力缓冲区），， ，，，，，也可通过在线优化 / 可塑性把历史信息编码进参数，， ，，，，，使状态融入天生器的内部动力学，， ，，，，，代表事情如 TTT [5] 、SANA-Video [6] 等。。。。 。。。解耦状态（Decoupled States）：状态与天生器内部激活疏散，， ，，，，，作为自力显式表征被单独维护与更新，， ，，，，，天生器每步读取该状态举行渲染。。。。 。。。常见路径包括：语义导向（用 LLM 等维护天下形貌 / 叙事逻辑）与几何导向（用点云或 3D Gaussian splatting 等 3D 影象，， ，，，，，通过融合 / 反投影迭代更新以坚持空间一致性）。。。。 。。。
隐式状态 vs. 显式状态的系统性比照
总体取舍是：隐式状态现在更稳妥地支持高保真视频天生，， ，，，，，而显式状态更像通往高效、可恒久推理的自主智能体与天下模拟的前沿偏向。。。。 。。。
支柱二：动态建模（Dynamics Modeling）
怎样让天生的视频不但是「看起来像」，， ，，，，，而是真正切合物理纪律与时间逻辑？？？？？本文归纳了两条增强因果推理能力的主要路径：
因果架构重构（Causal Architecture Reformulation）：从模子结构与训练目的入手，， ，，，，，把天生历程从「一次性渲染」刷新成「准时间顺序展望」，， ，，，，，通过因果遮罩等机制阻止未来信息走漏，， ，，，，，并团结差别的训练 / 噪声调理战略强化严酷的时间依赖； ； ；；；；；同时通过 forcing 等方法模拟推理阶段的误差累积与曝光误差，， ，，，，，缩小训练与推理的差别，， ，，，，，使长时程 rollout 更稳固、更切合物理一致性与逻辑连贯性，， ，，，，，代表事情如 Self-Forcing [7] 等。。。。 。。。因果知识集成（Causal Knowledge Integration）：引入具备更强推理与知识能力的多模态大模（LMM/VLM/LLM）作为「妄想者 / 导演」，， ，，，，，先在高层完成时序、行动与场景逻辑的妄想，， ，，，，，再由视频天生模子认真高保真「渲染」； ； ；；；；；更进一步的统一框架会将明确与天生更细密地耦合，， ，，，，，让推理信号直接约束天生历程，， ，，，，，从而提升动态演化的因果可信度，， ，，，，，代表事情如 Owl-1 [8] 等。。。。 。。。
支柱三：评估系统（Evaluation）
若是说视频天生更体贴「好欠悦目」，， ，，，，，那么天下模拟还需要更体贴「好欠好用」。。。。 。。。古板的 IS/FVD 等指标主要权衡短片断的视觉真实感，， ，，，，，已难以回覆模子是否具备可一连推演、可交互、可用于决议的「天下模子」能力。。。。 。。。因此，， ，，，，，本文主张将评估从 「视觉美感」进一步推进到「功效基准」，， ，，，，，并提出三条焦点评价轴：
质量（Quality）：关注基础视觉保真度、短程时序相关性以及文本 / 条件对齐能力，， ，，，，，代表性工具如 VBench [9] / VBench++ [10] 等，， ，，，，，用更细粒度的维度拆解「画面是否稳固、主体是否一致、语义是否对齐」。。。。 。。。长期性（Persistence）：关注长时程 rollout 的稳固性与一致性，， ，，，，，既看生生长度拉长后是否泛起漂移 / 崩坏，， ，，，，，也通过「场景重访（re-visitation）」等影象使命磨练模子能否在回到旧所在时恢复准确状态，， ，，，，，而不是凭空补细节； ； ；；；；；相关评测包括 WCS [11] 以及基于 rFID [12] 的重修一致性测试等。。。。 。。。因果性（Causality）：作为天下模拟的焦点能力，， ，，，，，重点磨练模子是否真正内化物理与逻辑纪律，， ，，，，，既包括时间顺序与物理有用性（如 ChronoMagic-Bench [13] 、Physics-IQ [14] ），， ，，，，，也包括反事实干预下的响应是否合理（例如改变换作 / 初始条件后，， ，，，，，天下是否按因果爆发差别且自洽的效果），， ，，，，，并进一步延伸到 agent-in-the-loop 的使命乐成率与妄想体现（如 World-in-World [15] 等）。。。。 。。。
未来研究偏向
视频天生迈向天下模拟的要害，， ，，，，，在于补齐两项焦点能力：长期性（persistence）与因果性（causality）。。。。 。。。
前者要求模子在长时程天生中坚持稳固一致的状态：隐式状态需要从牢靠窗口等启发式影象升级为可学习、可动态筛选的信息治理机制； ； ；；；；；显式状态则要在压缩效率与细节保真之间找到更好的平衡。。。。 。。。
后者要求模子从统计相关走向因果机制：一条蹊径是通过架构与数据设计提升因果推断能力（更好地解耦潜在因果因素），， ，，，，，另一条蹊径是引入明确模子的推理先验来约束天生，， ，，，，，但怎样有用对齐天生与明确仍是焦点挑战。。。。 。。。
结语
综上所述，， ，，，，，随着视频天外行艺在各领域的爆发式增添，， ，，，，，怎样使其具备真实天下的模拟能力已成为不可回避的挑战。。。。 。。。通过全链路的手艺剖析，， ，，，，，本综述不但弥合了视频架构与经典理论之间的裂痕，， ，，，，，还展现了从「隐 / 显式状态构建」到「因果动态建模」的要害路径。。。。 。。。
这篇综述为学术界和工业界提供了一个主要的参考框架，， ，，，，，资助研究者在通往通用天下模拟器的征途中精准定位。。。。 。。。
团队信托，， ，，，，，通过应对综述中列出的挑战，， ，，，，，该领域可以从天生视觉上逼真的视频生长到构建稳健的通用天下模拟器，， ，，，，，为自动驾驶、具身智能等领域的长足生长涤讪坚实基石。。。。 。。。
参考文献
[1] L. Zhang and M. Agrawala. Packing input frame context in next-frame prediction models for video generation. arXiv preprint arXiv:2504.12626, 2025.
[2] Z. Xiao et al. Worldmem: Long-term consistent world simulation with memory. arXiv preprint arXiv:2504.12369, 2025.
[3] X. Wu et al. Corgi: Cached memory guided video generation. arXiv preprint arXiv:2508.16078, 2025.
[4] R. Henschel et al. Streamingt2v: Consistent, dynamic, and extendable long video generation from text. In Proceedings of the Computer Vision and Pattern Recognition Conference, pp. 2568–2577, 2025.
[5] K. Dalal et al. One-minute video generation with test-time training. In Proceedings of the Computer Vision and Pattern Recognition Conference, pp. 17702–17711, 2025.
[6] J. Chen et al. Sana-video: Efficient video generation with block linear diffusion transformer. arXiv preprint arXiv:2509.24695, 2025.
[7] X. Huang et al. Self forcing: Bridging the train-test gap in autoregressive video diffusion. arXiv preprint arXiv:2506.08009, 2025.
[8] Y. Huang et al. Owl-1: Omni world model for consistent long video generation. arXiv preprint arXiv:2412.09600, 2024.
[9] Z. Huang et al. Vbench: Comprehensive benchmark suite for video generative models, 2023.
[10] Z. Huang et al. Vbench++: Comprehensive and versatile benchmark suite for video generative models, 2024.
[11] A. Rakheja et al. World consistency score: A unified metric for video generation quality, 2025.
[12] M. Heusel et al. Gans trained by a two time-scale update rule converge to a local nash equilibrium, 2018.
[13] S. Yuan et al. Chronomagic-bench: A benchmark for metamor-phic evaluation of text-to-time-lapse video generation, 2024.
[14] S. Motamed et al. Do generative video models understand physical principles?, 2025.
[15] J. Zhang 天峰建材有限公司et al. World-in-world: World models in a closed-loop world, 2025.