World Observer 用全景观察者让离开视野的物体继续演化，OOV-D 从 0.358 提升到 0.531

提出联合 actor-observer 世界建模：actor 渲染智能体中心视角，一个或多个全景 observer 持续维护 actor 视野之外的世界状态，两者由同一个预训练视频扩散 Transformer 在 3D VAE 潜空间中联合生成，并共享同一世界状态。 此前的视频世界模型是 actor 中心的，物体离开视野后只能靠内部记忆、生成先验或显式状态外推来推断其演化；这里改为让视野外区域被一个持续生成的全景流直接表示，而不是从已观测信息推断。 论文给出方法推导与消融：去掉 observer 生成后 OOV-D 与 OOV-D 偏低，作者将其解释为 actor 容易把未见物体以不一致状态带回画面，即 impostor 倾向；联合生成则取得最高 OOV-D 并保持稳定 OOV-F。

用共享全景源做几何对齐，并引入 Observer Sink 高分辨率透视参考，在物体重新进入 actor 视野时恢复细节。 全景本身带有投影畸变，直接作为条件会损失精细外观并削弱 actor 与 observer 的对应关系；Observer Sink 从初始全景裁出四张相隔 90° 的透视视图，作为固定潜变量加入序列供生成 token 注意。 消融显示去掉 Observer Sink 后 OOV-D 下降，同时 3D 一致性、FID 与 FVD 变差；作者还报告在持续旋转扫过完整 360° 的轨迹上，缺少该参考时精细外观随旋转增大而退化。

observer 与 actor 解耦，可自由放置、扩展到多个位置，并可由控制信号驱动视野外演化。 跟随 actor 的 observer 受 actor 轨迹约束，无法独立监视感兴趣区域；解耦后可以固定观察 actor 看不到的区域，或用多个 observer 覆盖被遮挡、空间分离的区域。 多 observer 模型在单 observer 检查点上继续训练，报告 OOV-F 从 0.580 提升到 0.722，同时两个 OOV-D 指标保持有竞争力；合成 CARLA 数据提供了真实拍摄难以获得的时间同步多 observer 配置。

提出世界空间视野外动态指标 OOV-F、OOV-D 与 OOV-D，以及覆盖真实与合成场景的基准。 已有基准多依赖 VLM 判断重现是否自然，而作者指出在相机与物体同时运动时，VLM 难以从画面判断物体真实的 3D 位移，会把冻结或 impostor 状态判为自然；这里用分割模型与度量尺度深度把物体提升到 3D 并显式测量位移。 论文给出两个 VLM 误判案例：冻结情形下 VLM 回答“是”而物体实际已停止，impostor 情形下 VLM 也回答“是”而重现运动已偏离物体自身先前轨迹；OOV-D 与 OOV-D 分别对这两类失败敏感。

该工作面向需要持续维护未观测区域状态的世界模型场景，例如具身导航、交互式仿真与长时程规划；在这些场景中，相关区域即使不被 actor 当前看到也应保持被表示。方法当前以全景观测作为条件输入，因此适用于能获得此类视角的设置；作者提出可先由透视观测外扩为全景，从而在只有透视输入时沿用同一框架，多 observer 设置也可由不同位置的透视观测构造全景条件。由于 observer 预算有限，观察整个世界仍然困难，但灵活放置允许把有限预算分配给感兴趣区域，使其动态独立于 actor 的位置而得以保留。评测在单个 chunk 内进行，序列完整放入上下文、不需要记忆检索，因此结果针对的是模型是否真正维持视野外动态，而非长上下文或检索能力。

论文以全景观测作为条件输入，若只有透视输入，外扩为全景的路径能否保持同等效果仍是开放问题。observer 预算有限，覆盖整个世界仍困难，多 observer 在更复杂场景中的扩展性有待观察。评测在单个 chunk 内进行，长时程自回归下的表现虽在定性结果中展示，但定量结论主要来自单 chunk 设置。指标依赖分割模型与度量尺度深度估计器，其误差如何传导到 OOV 分数值得进一步关注。此外，本证据包为全文解析，但部分图表以文字描述形式呈现，具体数值细节仍以原文表格为准。