世界模型全文深读与原图讲解

Momentum：先让世界持续演化，再让相机进入

通过多相机参考状态协调时间与视角，避免每条相机轨迹各编一个未来。

Nedko Savov、Stefan Maria Ailuro、Danda Pani Paudel、Yilun Du、Xi Wang、Luc Van Gool预印本首发 · 近7日补收 2026.10.16

论文公开 · 实现开放待核

IN A NUTSHELL

Momentum 把世界更新与观察者画面分开：多组全景相机持续产生参考视频，目标相机从同一时刻的参考生成视图。这样多条观察轨迹共享一个动态背景，而非只依赖静态记忆。论文报告动态语义一致性相对翻倍，但绝对分仍低，且不等于物体身份或物理运动正确。

图解主要方法

通过多相机参考状态协调时间与视角，避免每条相机轨迹各编一个未来。

1
1 · 用空间相机图存放动态世界
图2中间以多个rig为节点，每个rig有8个共位置、相隔45度的视角。世界状态是这些同步视频，不是显式刚体和动力学参数；不需逐物体跟踪，但也没有物体级守恒保证。
2
2 · WorldUpdate协调参考未来
图2左侧多视角DiT联合生成8路视频，利用深度反投影与邻接rig重投影作为几何条件。沿图分层传播，同层可并行；保持历史并用已有邻居的新帧提供跨节点一致性。训练底座为Cosmos Predict2.5-2B。
3
3 · WorldInteract响应相机轨迹
图2右侧把Plücker相机轨迹、时间对齐的重投影视频、语义参考和前瞻sink共同条件化目标生成。相同世界rollout可服务不同目标相机，因此世界变化与观察轨迹不必绑定。
4
4 · 区分生成参考与真值参考
组件实验可输入真值参考视频，用来测WorldInteract上限；端到端Momentum则从静态初始图像自行生成参考。测试中距离目标超过25米的rig暂停更新，这一工程约束限制了“全世界独立持续演化”的范围。

已阅读正文与全部公开附录，核对实验条件与原图；未独立复现。

来源证据CARLA 6城训练；30个已见城新路口及30个新城场景，生成30秒/300帧。动态SCS已见城0.086→0.198，新城0.084→0.190，相对分别130.2%与126.2%。表4 · 端到端生成 ↗

我的解读相对提升来自低基数；仍约0.2，不能写成动态预测准确率翻倍。

来源证据SCS按SAM类别掩码并集IoU、2fps抽样，排除两边都空的帧；已见城平移误差0.060→0.080更差，新城0.048→0.040更好。指标定义与位姿结果 ↗

我的解读语义重叠不测单个车辆身份或碰撞；位姿估计按短块归一化，不应解释为绝对米级定位精度。

来源证据冻结参考的对照可能在PSNR甚至动态语义分上更好，但运动量与真实视频的差距更大；论文同时报告静态程度差距。附录静态退化诊断 ↗

我的解读单一一致性指标可能奖励少动；应同时测运动、身份和长期重访，不能只取最好一列。

论文全文及公开附录已核，作者写明模型和代码将公开；当前所核arXiv记录未提供可验证实现/权重链接，检索未找到可确认的官方发布，不把未来承诺记为已开源。

LICENSE论文与原图 CC BY 4.0；代码/权重尚未核实公开

独立分析 · 未复现实验

将“世界怎么变”与“相机看见什么”解耦，是持久世界模型可复用状态的重要设计。

训练主要合成驾驶场景；参考图规模、深度误差和25米激活策略限制外推。没有碰撞守恒或对象身份评测，公开视频的视觉一致性不足以证明可靠的交互动力学。

支持共享动态参考改善多视角生成，但世界状态仍是生成视频，物理一致性需另验。

未执行的验证方案：让两相机在不同时间重访同一路口，统计车辆身份、速度连续性与碰撞；控制运动量后比较语义分，并移除25米冻结策略测误差和计算扩展。