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
Los modelos de base de vídeo han avanzado rápidamente en la comprensión y generación de secuencias visuales, mientras que los modelos de mundo de vídeo buscan capturar la dinámica subyacente del mundo que representan. A pesar de sus objetivos diferentes, ambos se preocupan por la relación entre las observaciones de vídeo y un mundo en evolución. Esta encuesta adopta la modelización del mundo como una lente unificadora para examinar estos desarrollos. Al ver un vídeo observado como una proyección parcial, perdida y ordenada temporalmente de un mundo temporal latente, organizamos la literatura en torno a cuatro operaciones complementarias: la lectura de las propiedades del mundo de
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