近来，由 AI 生成的视频片断过去所未有的视觉冲击力席卷了通盘这个词互联网，视频生成模子创造出了很多令东谈主咋舌的、险些与现实无异的动态画面。

然而，生成内容的精确可控性一经制约其应用扩张的短板，举例，模子不错生成"海滩边的排球比赛"的动态场景，但创作家很难率领镜头何时推拉、怎样摇移、从哪儿起落。

为补皆"可控性"这块短板，业界时时会在特定数据上微调或重训现存的视频生成模子，但微调一个大模子所需的时代资本和算力资本端淑，以至还可能会缩短模子内在的天下常识，毁伤模子的泛化才能与画面质感。

其背后响应出的问题是现时视频模子尚未实在内化三维结构与通顺限定，更多依赖外部监督去"硬性施控"，而这亦然现时火热的天下模子（World Model）所濒临的挑战，比如近期的一些天下模子的探索（如 Google 的 Genie 系列）依然走"数据与算力堆料"的大限制检会旅途，时刻与资源门槛居高不下，也引出一个直面的问题：迈向空间智能，是否只可靠这一条路？

西湖大学 AGI 实验室提倡的 WorldForge 给出了另一种谜底：绕开检会泥潭，转向"推理时引诱"——为现存视频生成模子装上精密的旅途导航，通过不改权重、即插即用的引诱计策，让"疏漏"的 AI 也能赶紧听懂导演的镜头言语。

WorldForge 的中枢遁入：在推理轨范"写入"引诱信号

WorldForge 的构想特别精巧：它不试图去改造视频模子本人的权重，而是在其每一步去噪生成的过程中，精巧地施加时空信息引诱与修正。

△WorldForge 举座经由图

这一框架主要由三大协同使命的翻新模块组成：

1. 步内递归修正 ( IRR ) ：为"想象"设定领域

AI 生成视频的过程，骨子上是从一派落拓的噪声中，一步步"猜"出明晰的画面。如若放任其解放推断，舍弃当然天马行空。要想让它按照预设的轨迹通顺，就必须在它每一次预测后，进行实时引诱与纠偏。

为此，IRR 模块想象了一个"预测 - 校正"的微轮回。在模子推理的每个时代步中，它先让模子斗胆预测，然后再定位与参考内容重合的已知区域，用实在信息障翳回注。依托这种连续交的缓缓校正，轨迹偏离得以实时排斥，最终使生成内容罢黜预设轨迹。

2. 流门控潜在交融 ( FLF ) ：拆分"外不雅 / 通顺"，把适度打到点上

视频生成模子的潜在表征空间里，掌管物体通顺的特征和慎重画面质感的特征时时交汇在一谈。肤浅顽皮地向通盘特征通谈都注入通顺信号，很可能在改造视角的同期，也大意了场景的细节纹理、开拓的材质光感等。因此，精确适度视角的中枢挑战在于如安在注入通顺信息的同期，不大意原有的生成质料。

FLF 模块领先通过光流得分来评判每个特征通谈的通顺关系度，然后将轨迹信号精确注入到通顺关系度高的通谈中。结束动静分辨与定点制导。

3. 双旅途自校正引诱 ( DSG ) ：用高质料先验修正强引诱的反作用

注入到模子中的引诱信号时时并不无缺，不时含有噪声与深度误差。若澈底依赖该信号，容易导致画质下落。

为了贬责这个问题，DSG 利用了 IRR 的去噪过程中产生的两条并行去噪旅途，在罢黜轨迹的同期，利用模子自身的高质料先验校正引诱带来的偏差：第一条是模子开动预测产生的非引诱旅途，该旅途保抓模子原生预测，细节与质感更好，但不受轨迹经管；第二条是注入轨迹信号后的引诱旅途，该旅途由于注入了轨迹经管，顺从先验轨迹经管，但也容易汲取引诱信号中的噪声。在每个时代步，DSG 研讨两旅途输出的互异并生成校正项，将引诱旅途舍弃向非引诱旅途的高质料解不竭。由此同期保证轨迹精确与画面质料结实。

结实单图与视频，驾御动静全场景

成绩于这套小巧的适度计策，WorldForge 在施行应用中展现出了惊东谈主的才能。

单视图生成 3D 静态场景

只需一张像片，WorldForge 即可重建出一致的三维静态场景。况且约略结束以物体为中心拍摄的 360 ° 环绕视频。这暗示 AI 不错从二维平面读懂三维天下，为探索更高效、轻量化的天下模子结束旅途提供了全新可能。

视频电影级重运镜

用户不错解放想象全新的镜头轨迹"重拍"已有的视频，不管是平滑的推拉摇移，照旧复杂的曲线跟拍，WorldForge 都能无缺推论，并智能补全因视角变化而新出现的场景区域，成果超越同类需要遍及检会的 SOTA 模子。

视频内容二次创作

除轨迹操控外，WorldForge 一样补助视频内容的裁剪，举例主体替换、物体擦除 / 添加、诬捏试穿等二次创作。

以引诱激励潜能：一种天下模子构建的新想路

WorldForge 为视频生成领域引入了一种新颖的交互与适度想路。

它精巧地绕开了对大模子本人的修改，转而在生陋习律哄骗外部引诱，以此来"叫醒"并结构化模子里面潜在的天下常识，让底本解放的生成过程罢黜指定的时空逻辑。

更病笃的是，这项使命为"可控天下模子"的构建开辟了一条新的商议旅途。它发挥了在不加多检会资本、不损耗先验常识的前提下，通过小巧的推理期引诱，一样不错结束对复杂动态场景的灵验适度。瞻望将来，沿着这一想路连接深切，咱们有望通过更当然的言语或看成交互，让模子成为一个能精确领悟并推论咱们创意的视觉推论者。

论文绽开：https://arxiv.org/abs/2509.15130

时势主页：https://worldforge-agi.github.io/

一键三连「点赞」「转发」「预防心」

宽待在批驳区留住你的宗旨！

—  完  —

� � 点亮星标 � �

科技前沿发扬逐日见eb007买球