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
Các mô hình nền tảng video đã tiến bộ nhanh chóng trong việc hiểu và tạo ra các chuỗi hình ảnh, trong khi các mô hình thế giới video tìm cách nắm bắt động lực cơ cơ bản của thế giới mà họ miêu tả. Mặc dù các mục tiêu khác nhau của họ, cả hai đều liên quan đến mối quan hệ giữa quan sát video và một thế giới đang phát triển. Cuộc khảo sát này áp dụng mô hình thế giới như một ống kính thống nhất để kiểm tra những phát triển này. Xem một video quan sát như là một dự đoán một thế giới thời gian tiềm ẩn một phần, bị mất và được sắp xếp theo thời gian, chúng tôi tổ chức văn học xung quanh bốn hoạt động bổ sung: đọc dẫn đến các thuộc tính thế giới từ
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