World Observer：镜头转开以后，让另一个生成视角继续维护世界

镜头外物体回来时，模型能否既保留身份又延续正确运动？

1. 1

   先制作同步的主视角与全景条件

   真实全景视频先用COLMAP稳定旋转、GeoCalib校准重力，再裁出不同旋转轨迹的透视视频。多个重叠透视深度估计合成全景深度；CARLA则同步渲染移动主视角与两个静止全景位置，提供真实数据缺少的分离配置。

2. 2

   把多个视频流放在同一个去噪序列中

   Cosmos-Predict2.5的2B DiT联合处理主视角、观察者及最近历史，同一时刻采用相同时间RoPE位置；不同视角有可学习标识。自注意力交换各视角状态，分开的文字交叉注意力分别控制主视角事件和镜头外事件。

3. 3

   用共同投影与外观参考连接两种视角

   初始全景与深度沿各相机轨迹投影，连同有效像素mask和Plücker射线提供几何对应。Observer Sink将初始全景裁成四个相隔90度的高分辨率透视参考，保持固定、供生成token查询；这些外观参考不负责动态演化。

4. 4

   用观察者延续动态，再按块滚动

   主视角1280×704，观察者640×320，以较低成本覆盖四周。每段77帧，下一段保留前段末尾两个latent、对应5帧；多观察者时每帧选择离主视角最近的初始全景作投影来源，外观参考按该段首帧选择。全部观察者仍共同生成，而非来自在线真实摄像头。

5. 5

   分开衡量重现覆盖与位移一致性

   SAM3分割和DA3深度把对象提升到三维，比较出镜前与再入镜后的位移。OOV-F统计有效离开并返回比例；OOV-Dgt比较真实参考位移，OOV-Dself比较出镜前运动。两种位移评分只对返回子集计算，方向和长度均须匹配才得高分。

完整阅读正文与附录A–E全部91530字符，查看图4，打开作者项目页并核对GitHub实际文件树与发布计划；没有独立训练或复现实验。

2026-10-11打开官方项目和仓库，文件树提交6efb6a4107f53e7e36031cfa00c880b075631fcf仅见网页、图片、演示视频及README。训练数据、权重和推理代码、训练代码三项均为未勾选发布计划，不能标为已开源模型。

LICENSE论文及图4为CC BY 4.0；所查仓库无LICENSE文件，尚未发布的代码、权重和数据许可未确认。