一句话看懂：alphaXiv 收录的论文 PPMem 提出，让视频生成模型用一组“平面基元”记录已生成场景的 3D 结构，以便镜头离开再回来时仍能保持场景一致。这是研究方案，不是已上线产品。
事件核心：发生了什么
2026 年 10 月 16 日，alphaXiv 页面展示论文《Persistent Planar Memory for Video World Models》。作者基于 Wan 2.2 视频模型改造出 PPMem：在视频扩散 Transformer 上加装平面预测头和 Depth Token Fusion 模块，每生成约 25 帧视频片段，就同步预测对应的平面几何，并合并进一个持续累积的平面池，再渲染出深度图，作为下一段生成的参考。
每个平面基元由中心深度、两个尺寸和旋转四元数描述，共 7 个参数。据摘要，约 400 帧后整个场景约 10 万个平面，占用约 5MB，作者称比逐像素点云紧凑三个数量级。合并过程会删除漂浮面、去重并提前裁剪将被近距离观察的平面。论文在 DL3DV 和 RealEstate10K 上报告了优于此前 3D grounding 视频世界模型的视频质量，同时输出米制深度、法线和可导出的平面几何，在较大视角变化下维持数百帧的一致性。
为什么重要
视频世界模型的核心难点是“记忆”：只看最近几帧的模型，镜头回到旧区域时只能重新编造。此前 Gen3C 用点云缓存但只保留首帧和片段边界，Voyager 则累积点云。PPMem 的新意在表示方式——墙面、地板、立面这类结构化场景本就适合用平面描述，体积小、可直接导出，也更适合室内和建筑类内容。
对用户/开发者/创作者的影响
目前公开信息显示，该方案仍处研究阶段。对创作者，这类方法指向可反复回访同一场景的长镜头生成；对开发者，平面池可输出可编辑的表面几何，便于接入 3D 工具链。需要注意，作者自述方法更适合结构化场景，不适合所有几何类型；5MB 描述的是场景记忆，不是模型总显存或生成耗时。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
值得关注的后续
一是是否会发布代码或模型权重，以及推理开销；二是在人物、植被等非结构化场景中的表现；三是与点云缓存路线相比，能否在更长序列和真实拍摄素材上保持优势。
来源：alphaXiv
