一句话看懂：alphaXiv 收录的论文提出视频世界模型 Momentum，用多机位同步视频构成可更新的“场景记忆”，让车辆、行人离开画面后仍按一致轨迹演进。值得注意的是，它试图解决的是静态图像缓存无法更新镜头外动态的问题。
事件核心：发生了什么
论文发表于 2026 年 10 月。作者把场景动态表示为一组分布在空间中的参考相机组，每组含 8 个相机，相邻机位组用图结构连接，并把视频生成结果在邻近机位间传播，从而协调不同地点和时刻的场景演化。
方法分两步：WorldUpdate 联合生成各参考机位的同步视频，作为动态场景的共享记忆；WorldInteract 再以这份记忆、目标相机路径和历史观测为条件，生成移动相机视角的视频。依据摘要，在生成的街道场景中，该方法对比静态图像条件化，在未见场景上的动态场景一致性提升 126.2%。上述数据来自论文自建的 CARLA 数据与评测框架，未涉及真实路测或第三方榜单，目前公开信息显示模型与代码将公开。
为什么重要
视频世界模型的难点不只在画面真实，更在于“看不见的地方”是否仍保持物理与时间一致。现有做法依赖历史观测、静态点云或图像缓存，镜头外内容容易丢失或被重新随意生成。Momentum 把固定机位的同步视频当作可推进的场景状态，且不依赖显式目标跟踪，这与 LiveWorld 用动态实体加静态 3D 背景的思路不同，也给 Seoul World Model 式图像锚定路线提供了一个对照。若方法可复现，它对自动驾驶仿真、机器人和视频生成评测都有参考价值。
对用户/开发者/创作者的影响
对开发者而言，值得关注的是这套“参考机位视频加图传播”是否易接入现有视频扩散模型，以及开源后训练成本如何。对创作者，它指向一种更稳定的长镜头生成能力：镜头移开后回头，画面里的车流不会凭空重置。对自动驾驶与仿真团队，CARLA 评测口径说明它目前更接近研究原型，而不是可直接采购的产品。
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
一是开源代码是否完整包含 WorldUpdate 与 WorldInteract 权重及 CARLA 数据管线；二是 126.2% 的提升在更长时序、更多交互场景下能否保持；三是是否有更多团队跟进“机位图加视频记忆”路线，并与静态图像条件化方案做公开对比。
来源：alphaXiv
