CausalWM：先预测运动和几何，再生成未来画面

图 4 为什么先生成光流和点图，各阶段又能看到哪些信息？

1. 1

   从视频骨干建立三种生成流

   使用 LTX-2.3-22B 去掉音频后的约 16B 视频骨干，冻结 Gemma3-12B 文本编码及 VAE。RGB、光流与点图经统一视觉 VAE 编码为 128 通道潜变量，但用各自投影与调制保留模态差别。

2. 2

   用跨流因果掩码固定依赖顺序

   先预测光流，再点图，最后 RGB；单种模态内部可双向注意，跨模态只允许后者读取前者，避免 RGB 信息泄漏给先生成的中间量。这是架构条件，不自动证明模型学到了环境的结构因果机制。

3. 3

   以估计的运动和几何进行监督

   SEA-RAFT 提供光流，VGGT-Omega 估计深度、点图和相机。数据从收集的 31230.8 小时筛到 19916.2 小时，不能把全部收集量写成实际训练量；伪几何仍携带估计器偏差。

4. 4

   分阶段学习再接控制条件

   先训练语言、潜动作与多视图能力，再进行中间流联合训练和多奖励优化。机器人控制以 URDF 等渲染条件接入并另行微调约 34000 步，不能把动作条件实验称为未经训练的零样本控制。

5. 5

   用少步生成降低推理成本

   光流、点图、RGB 各用一步意味着总共三阶段，而不是整个系统一次去噪。官方推理代码在未提供光流时设置占位后生成，未借用未来真值；点图按首帧尺度归一化，不直接表示公制距离。

以下为作者报告；已阅读 v2 全文及可用附录，本站未独立执行研究实验。实验条件与编辑解读分别列出。

已检查实际推理实现、模型卡及权重文件清单，未下载权重。当前是单视图 PAI TI2V 推理，权重 gated，需同意模型条款；不是完整训练、多视图或动作模型发布。

LICENSE代码及权重使用 LTX-2 Community License，含商业规模条件；上游 Gemma 条款另行适用，不能称无条件可商用。