一句话看懂：Hugging Face Papers 于 2026 年 10 月 8 日收录论文 WorldGuide，提出把程序性视频生成重构为“视觉世界中的闭环任务执行”，并配套发布约 5.9 万条步骤标注视频的 WorldGuide-Bench。据摘要，其任务成功率高于近期视频模型 MiniMax-H3。
事件核心：发生了什么
论文摘要显示，WorldGuide 的输入只有一张初始图像和一个任务目标。模型先由 Planner 预测下一个原子动作，再由 Executor 生成对应视频片段，然后用生成结果决定下一步动作或终止任务，形成闭环而非开环生成。为解决缺少步骤级“动作—视频”联合监督的问题，作者构建了 WorldGuide Bench：约 59K 条步骤标注视频，覆盖 245 个任务、27 个程序性类别。
在评测上，WorldGuide 在 WorldGuide-Bench 上取得 33.33% 任务成功率，对比 MiniMax-H3 的 29.90%；摘要特别说明，MiniMax-H3 在该设定下获得了参考动作计划。在 VideoCraft-Bench 的目标条件设定中，WorldGuide 为 47.69%，MiniMax-H3 为 32.73%。以上均为论文摘要公开信息，未核验全文实验细节。
为什么重要
视频生成模型擅长合成看起来合理的画面，但长流程任务要求每一步都基于“已经生成的结果”重新决策。开环方案无法适应执行偏差，已有闭环系统又常依赖预训练执行器或间接验证，导致“决定做什么”和“真正做出来”之间存在断层。WorldGuide 把规划器与执行器放在同一套步骤级演示上训练，并用分层视觉记忆控制长程历史的 token 成本，这条路线更接近可交互的世界模型，而不是一次性出片的视频工具。
对用户/开发者/创作者的影响
对开发者而言，值得关注的是 Planner 与 Executor 联合训练这一范式，以及 WorldGuide Bench 这类步骤级标注数据是否能开源，它可能影响视频 Agent、机器人流程仿真和交互式内容工具的构建方式。对创作者来说，目标驱动的闭环生成意味着从“写提示词抽卡”转向“给出目标、让模型边生成边调整”，但摘要没有说明推理成本、延迟和可用产品形态，目前公开信息显示它仍是研究框架，而非已上线 API 或消费级工具。
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 WorldGuide Bench 与模型权重是否开源，以及是否提供可调用的推理接口；二是闭环执行在更长任务、真实扰动场景下的成功率能否保持，而不只是在评测集上领先；三是同类视频世界模型与视频生成厂商是否跟进“规划器+执行器”架构，以及算力开销是否适合规模化部署。
