# 视频世界模型

该工作提出 Honeycomb 视频世界模型及其 HexMemory 记忆：用三张空间平面加三张时空平面的低秩分解把场景特征存进固定尺寸记忆，前馈写入器只处理新生成的分块、通过保维度的平面形变与置信度加权池化加学习式残差校正来融合新旧特征，读取器再从记忆中取回隐变量条件化后续生成；在 WorldScore 与 RealEstate10K 上报告了更好的生成质量与回访一致性，且特征存储在整个生成过程中保持恒定。

该工作提出 Honeycomb 视频世界模型及其 HexMemory 记忆：用三张空间平面加三张时空平面的低秩分解把场景特征存进固定尺寸记忆，前馈写入器只处理新生成的分块、通过保维度的平面形变与置信度加权池化加学习式残差校正来融合新旧特征，读取器再从记忆中取回隐变量条件化后续生成；在 WorldScore 与 RealEstate10K 上报告了更好的生成质量与回访一致性，且特征存储在整个生成过程中保持恒定。

LOCI 提出一种混合空间记忆架构：在 30 个 transformer 块中的 15 个保留历史观测的键值缓存，另外 15 个只关注当前块并辅以一个由投影相机几何条件化读写的循环线性注意力记忆，循环读出会流入后续缓存块并为它们的查询提供累积场景上下文；在公开 MIND 记忆基准和留存的录制轨迹上，它比代表性世界模型和同配方全 softmax 模型更忠实地复现重访内容，全历史下等长度峰值内存降低约 30%，在有界观测库下以恒定内存流式生成长视频。

LOCI 提出一种混合空间记忆架构：在 30 个 transformer 块中的 15 个保留历史观测的键值缓存，另外 15 个只关注当前块并辅以一个由投影相机几何条件化读写的循环线性注意力记忆，循环读出会流入后续缓存块并为它们的查询提供累积场景上下文；在公开 MIND 记忆基准和留存的录制轨迹上，它比代表性世界模型和同配方全 softmax 模型更忠实地复现重访内容，全历史下等长度峰值内存降低约 30%，在有界观测库下以恒定内存流式生成长视频。

Memorizon 提出一种训练配方：每个被评分的 chunk 按相机共视性各自检索 top-k 潜变量，其并集构成容量有界的共享记忆库，使训练样本可覆盖任意长跨度而注意力序列长度保持不变；在滑动窗口基线上重访一致性全面提升，跨度长到覆盖首次访问后进一步提升，代价是图像质量下降。

Memorizon 提出一种训练配方：每个被评分的 chunk 按相机共视性各自检索 top-k 潜变量，其并集构成容量有界的共享记忆库，使训练样本可覆盖任意长跨度而注意力序列长度保持不变；在滑动窗口基线上重访一致性全面提升，跨度长到覆盖首次访问后进一步提升，代价是图像质量下降。

Physis-Lang 把物理语言当作数据筛选、模型训练与视频生成共享且可优化的表示，用物理感知评论器与 PhysCapBench 驱动的智能体循环迭代改进物理描述指令，并用语言引导检索补齐模型缺失的物理过程，在 Wan 与 Cosmos 骨干的四个物理视频基准上取得一致提升，其中基于开源 Cosmos3-Nano 的模型在 Physics-IQ Verified、PhyGround、PhyGenBench 上超过 Veo 3.1。

Physis-Lang 把物理语言当作数据筛选、模型训练与视频生成共享且可优化的表示，用物理感知评论器与 PhysCapBench 驱动的智能体循环迭代改进物理描述指令，并用语言引导检索补齐模型缺失的物理过程，在 Wan 与 Cosmos 骨干的四个物理视频基准上取得一致提升，其中基于开源 Cosmos3-Nano 的模型在 Physics-IQ Verified、PhyGround、PhyGenBench 上超过 Veo 3.1。

该工作提出 WorldAttention，一种面向交互式视频世界模型的注意力架构，通过分层 KV 缓存（HKV）在 GPU、CPU、NVMe 多级内存间做页面级存储与两阶段检索，并用混合稀疏注意力（HSA）结合线性全局分支与头自适应块稀疏分支，在 VBench-Long 与 InterVBench 上取得主体一致性 0.9472 与 0.9668，同时实现相对 FlashAttention-3 的 14.02 倍稀疏核加速、整体 2.21 倍端到端加速，并在单张 NVIDIA H100 上维持 22.0 FPS。

该工作提出 WorldAttention，一种面向交互式视频世界模型的注意力架构，通过分层 KV 缓存（HKV）在 GPU、CPU、NVMe 多级内存间做页面级存储与两阶段检索，并用混合稀疏注意力（HSA）结合线性全局分支与头自适应块稀疏分支，在 VBench-Long 与 InterVBench 上取得主体一致性 0.9472 与 0.9668，同时实现相对 FlashAttention-3 的 14.02 倍稀疏核加速、整体 2.21 倍端到端加速，并在单张 NVIDIA H100 上维持 22.0 FPS。

该工作提出 WorldCrafter，一个相机可控的自回归视频世界模型：它学习可被相机位姿查询的隐式三维感知记忆，把历史潜帧压缩成固定 token 预算的记忆标记，在去噪前注入视频扩散 Transformer，使单张图像或文本提示即可驱动分钟级的流式场景探索，并在静态与动态场景的重访一致性和相机控制准确度上优于所评估的基线，同时保留视觉质量。

该工作提出 WorldCrafter，一个相机可控的自回归视频世界模型：它学习可被相机位姿查询的隐式三维感知记忆，把历史潜帧压缩成固定 token 预算的记忆标记，在去噪前注入视频扩散 Transformer，使单张图像或文本提示即可驱动分钟级的流式场景探索，并在静态与动态场景的重访一致性和相机控制准确度上优于所评估的基线，同时保留视觉质量。