一句话看懂:2026 年 11 月,Hugging Face Papers 收录的论文 StrideWorld 提出一种新基准,先固定参考几何与每步动作的“步幅”,再检验交互视频世界模型的场景刚性与动作一致性,结果显示多数开源模型在相机移动时会让场景发生变形。
事件核心:发生了什么
交互视频世界模型会根据用户指令生成可探索的场景。这类模型需要满足两个要求:相机移动时,场景的 3D 结构要保持不变;执行每一条动作时,效果要稳定。现有基准通常从被测视频自身重建场景,或者把相机轨迹与指令路径对齐,而且允许自由缩放。这样一来,参考本身就会吸收逐渐发生的场景变形和节奏变化,问题难以被发现。StrideWorld 的做法是:参考在被评判的运动开始前就已确定,场景刚性对比起始视角的真值几何,动作一致性用“步幅”来检验。步幅指单条指令产生的相机运动,先测出模型开头几步的步幅,再用它检验后续步骤,因此每个模型只和自身节奏比。摘要称,这些度量已在已知相机运动的渲染视频上验证,并与人类判断一致。
为什么重要
摘要给出的结果值得注意:在 140 个起始视角、由开源模型生成的视频中,除一个模型外,其余模型都出现场景变形,偏移最高达到刚性渲染的 7.3 倍;多数模型在单一动作保持时节奏稳定,但在组合路线上常出现停滞,已完成的路线也大多停在模型自身步幅预测位置之外。只有两个按估计场景深度缩放指令的模型,能让大多数路线接近预测位置。另有两项模型经少量渲染片段微调后,中段停滞基本消除。这些数字都限定在论文摘要描述的实验条件下,并非长期排名,也不代表产品能力。它说明:只靠“看起来流畅”的视频已不够,评估需要把参考前置,否则变形和漂移会被参考吃掉。
对用户/开发者/创作者的影响
对开发者来说,StrideWorld 公开了代码、数据和排行榜,适合在训练与推理阶段检查模型是否保持场景刚性和动作节奏,也可用来对比按深度缩放指令这类设计。对创作者和 AI 应用团队,这意味着交互式视频工具的“可探索性”需要更细的验收标准,不能只看单条演示片段。目前公开信息显示,这仍是论文层面的基准,尚未核验全文实验,也不等同于已上线的产品功能。
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
一是排行榜上开源与闭源模型后续的得分变化,以及按深度缩放指令是否成为常见方案;二是微调能否在更多模型和更长路线上稳定消除停滞;三是该基准是否被视频世界模型团队纳入常规评测流程。


