WorldCrafter：具隱含 3D 感知記憶的一致性視訊世界模型
為何重要
這項研究標誌著生成式 AI 正從單純 2D 視覺生成邁向「空間世界模型」的前沿。對開發者而言，這提供了一種從文字提示驅動流式 3D 場景探索的新技術路徑；對產業來說，長時間軸的一致性突破是虛擬建築、遊戲生成與具身智慧體落地的關鍵樞紐。
視訊世界模型雖能探索動態環境，但通常難以在長期遠景與跨視角下保留先前的觀察結果。WorldCrafter 透過引入一種可「相機查詢」的隱含 3D 感知記憶，解決了這一長期一致性的問題。
- 核心機制：讓請求的視角決定如何將多視角證據壓縮至 video generator 的有限 token 預算中。
- 架構設計：結合記憶編碼器與姿態條件讀取模組，在去噪前將歷史觀察整合為固定目標視角專屬 token。
- 表現優勢：在靜態與動態場景中均顯著提升長距離一致性和相機控制精準度，並支援從單張圖片或文字提示開始的流式場景探索。