World in World：把视频证据接入冻结世界模型

图 2 如何将深度重投影和历史记忆变成同一种注意力条件？

1. 1

   把原视频重投影到目标相机

   源帧由深度升为点云，再按目标相机重投影，附带可见性与可靠性掩码。论文使用人体代理补充大视角结构，但不可见表面仍是模型先验提出的假设，不是摄像机实测到的事实。

2. 2

   编码成临时视觉 KV 证据

   在冻结 LingBot-World 2 的干净状态编码中提取每层键和值，连同位置、时间和可靠性接入注意力。原生窗口保留源帧、近期帧与当前生成块；临时证据每块结束移除。额外引导不增加完整去噪步，并不表示深度和证据编码零成本。

3. 3

   用对应关系与差分注意力控制强度

   CGAR 为持续跟踪的同一点增加注意力对数偏置。EWA 比较证据输出与原生输出，去除重复方向、按一致性加权并限制幅度，减少证据覆盖模型原有计算。对应关系错误仍可能把错误几何稳定地传播下去。

4. 4

   从历史视锥挑选可见记忆

   被滚动窗口移出的视觉特征按相机位置归档，以覆盖率和视角差异选出有限记忆块回读。限制每次注意力读取量不代表归档总量固定；论文共享记忆演示是在相同冻结模型的不同实例之间。

5. 5

   明确论文与当前实现的差别

   仓库已有重拍、子弹时间、视频编辑及可选对应注意力。人体代理、跨实例记忆共享、长期视锥记忆、交互流式和动作迁移仍在路线图中，不能用论文全功能列表描述当前下载即用能力。

以下为作者报告；已阅读 v1 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。

已打开 WorldinWorld 仓库、对应注意力实现和 README。核心重投影编辑代码可用，根许可 CC BY-NC-SA 4.0；多个论文模块仍未发布，底座与第三方模型分别适用自己的条款。

LICENSE项目代码 CC BY-NC-SA 4.0，底座与第三方依赖另计；不是无条件商用发布。