Shengqiong Wu, Meng Luo, Bobo Li, Ziwei Liu, Shuicheng Yan, Ming-Hsuan Yang, Philip Torr, Hao Fei · 2026 · arXiv
DOI: 10.48550/arXiv.2610.31668 · open-access PDF
Video-Grundmodelle haben sich rasch im Verständnis und der Erzeugung von visuellen Sequenzen entwickelt, während Video-Weltmodelle versuchen, die zugrunde liegende Dynamik der von ihnen dargestellten Welt zu erfassen. Trotz ihrer unterschiedlichen Ziele betreffen beide die Beziehung zwischen Video-Beobachtungen und einer sich entwickelnden Welt. Diese Umfrage nimmt das Weltmodellieren als einheitliche Linse für die Untersuchung dieser Entwicklungen an. Wenn wir ein beobachtetes Video als teilweise, verlorene und zeitlich geordnete Projektion einer latenten Zeitwelt betrachten, organisieren wir die Literatur um vier komplementäre Operationen: Lesen führt die Eigenschaften der Welt von
Machine translation (Meta M2M100); the English original follows.
Video foundation models have advanced rapidly in understanding and generating visual sequences, while video world models seek to capture the underlying dynamics of the world they depict. Despite their different objectives, both concern the relationship between video observations and an evolving world. This survey adopts world modeling as a unifying lens for examining these developments. Viewing an observed video as a partial, lossy, and temporally ordered projection of a latent temporal world, we organize the literature around four complementary operations: reading infers world properties from
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.31668, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange