EchoWM：能走进 AI 生成的世界，代价是它记不住你

为什么生成出来的世界只能看、不能进？

你大概已经见惯了这样的画面：输入一句 prompt，模型吐出一段几十秒的视频，雪山、赛博街市、会呼吸的怪物，帧帧惊艳。然后呢？然后它结束了。想看别的，就再输入一句新的 prompt。屏幕里的世界不会因为你按下方向键就换个角度看回来，不会在你转头时把背后的风声同步给你。你看得到它，但它从不回应你。这是文生视频把所有人都钉在观众席上的样子：你只能看，不能进。根子其实只有一条：模型交给你的是"一段内容"，不是一个"环境"。内容没有状态、没有接口，也就谈不上"进"。

"只能看不能进"，正是 EchoWM 要回答的问题。这篇由多个机构合作的论文（arXiv 2608.23189，2026 年 8 月提交）给出一个回应：可进入式全模态世界模型（enterable omnimodal world model）。给它一张参考画面、一段结构化的世界描述、一串用户控制指令，它一边跟随你的连续导航，一边同步生成 720p 视频、环境音、背景音乐和语音，并且同时支持第一人称、第三人称和多回合续接。想象第三人称的骑乘场景：你按一下 W，画面里的马向前迈步，镜头跟着平移，蹄声与环境音同步响起。切到第一人称，同一颗 W 变成你本人（观察者）向前移动。你不是在看一段固定视频，而是走进一个会回应你的空间。剩下的一切都归结为一个问题：它是怎么做到的，代价又是什么？EchoWM

图注：EchoWM 的 teaser 把输入、相机意图、输出三列样本拼成一堵墙，横切室内游戏、街道驾驶、马匹骑乘等场景，每列展示 720p 视频帧与音视频波形。它展示的是能力范围，不代表任何评测分数。EchoWM

这个回应先要过证据这一关："可进入"不是一句口号，而是一整套被逐项列出的能力。Table 1 把 EchoWM 和 LingBot-World、SANA-WM、Genie 3、HunyuanVideo 1.5 等十个代表性系统放在一起，在"高清视频、第一/第三人称、轨迹续接、离散键盘、环境音、背景音乐、语音"七列能力上逐项打勾，EchoWM 是唯一一个全勾的模型。要强调的是，这是能力矩阵而不是性能排名，别人没勾只代表论文里没报告这项能力。但"唯一全勾"本身就给出了"怎么做到"的一半答案：把视频、声音、交互装进同一个模型，此前的系统都只做成了其中几件。EchoWM

这份证据的分量，要放回领域的坐标里读。2026 年 5 月底发布的一篇交互式世界模型综述，把这一领域的三大瓶颈概括为动作可控性、长时程记忆与实时响应，并把相机条件的注入方式分成四类。它覆盖的文献只到 2026 年 6 月。两个月后提交的 EchoWM，恰好踩在这张地图每一道关键裂缝上。为什么偏偏是现在这个时点值得较真？过去两年里，文本到视频、文生图到图生视频已经把"生成内容"这条线磨得相当成熟，缺的恰好是最后一步：把生成从一段内容变成一个可持续进入的环境。世界模型这个词被念叨了很多年，但大家真正摸到的是各做一片的拼图，有人做可控镜头，有人做长视频，有人做音画同步，还没有一个公开系统把它们拼成一个能走进去的整体。EchoWM 的回答是把拼图的接口定在相机上，这个决定贯穿了它全部的设计，也是下文所有故事的起点。交互式世界模型综述

这个回答还自带一套限定，它们就是"可进入"的价码。论文里的"可进入"有严格定义：它专指导航与视角相关的连续相机演化，用户能移动、能环视、能续接回合，但跳跃、攻击、操纵这些角色级动作不在范围里。这个划分不是偷懒，它直接决定了后面整套接口的形态。另一点也要说明：实时响应是综述三大瓶颈之一，EchoWM 论文没有宣称做到实时交互，它集中解决的是前两条，动作可控与长时程记忆。把两条限定合起来看，这份回答证明的是"能不能进去"，不是"多快能进去"，也不是"进去之后还能做什么"。

回答"怎么做到"，第一个卡住的问题是：你打算怎么告诉这个世界模型，你想怎么看？

把"我想怎么看"压缩成一条轨迹，第一人称和第三人称从此共享一个接口

用户控制世界的方式五花八门。键盘玩家按离散的 WASD。机器人和 VR 领域习惯给连续的位姿。同一颗 W 键，第一人称里是"往前走"，第三人称里是"让画面里那个人往前走、相机跟着绕"。要让同一个模型听懂所有这些方言，EchoWM 做了一个看起来绕远路的决定：把一切输入都先翻译成同一种几何语言，相对 6-DoF 轨迹（relative 6-DoF trajectory）。

6-DoF（六自由度）说的是位置加朝向的六个自由度，轨迹就是每个时刻相机"在哪、朝哪看"。加"相对"两个字是关键：这个位置与朝向是相对起点帧说的，不依赖任何全局原点。第一人称下，轨迹直接描述观察者自己的运动。第三人称下，相机与角色之间的联动不靠专用控制器，而是让模型从数据里自己学。你按一下 W，模型收到的是"相机相对起点往前挪一点"的一小段轨迹。把摇杆推到底，收到的是"速度更快的一段轨迹"。离散与连续、第一人称与第三人称，就这样在一条轨迹上对齐了。EchoWM

为什么不干脆用键盘 label 直接当条件？论文给了三个理由，个个都实在。第一，键盘指令没法从普通视频里批量获得，而相机轨迹可以从海量现成视频里估计出来，覆盖面大得多。第二，从轨迹反推按键是病态的：第三人称里"相机绕着角色飞"同时混着平移和旋转，你无法唯一地反推出用户按了哪个键。第三，键盘只能表达 6-DoF 的离散子集，表达不了垂直升降、滚转、连续速度这些连续幅度。EchoWM

还有一层设计要拆开看：第三人称的"相机跟角色联动"完全是从数据里学出来的，论文没有为第三人称写任何专用规则。训练样本里的第三人称片段天然带着"相机绕着主体转、距离大致保持"的统计规律，模型学到的就是这种规律本身。也正因如此，同样的接口能在汽车驾驶、机器人、骑乘这些不同主体上复用，因为接口不关心画面里是谁，只关心相机怎么动。这也顺带解释了为什么评测里同一套轨迹能在游戏、真实、奇幻场景之间通用：世界的内容由视频先验提供，轨迹只管几何这一层。EchoWM

相对表达能跨数据集复用，靠的是背后的几何编码。EchoWM 借用了 UCPE 的相对射线编码：把画面里每个视觉 token 看作一条从相机出发的射线，attention 内部比较两条射线的相对变换，而不是它们各自在某个全局坐标系里的绝对位置。这样无论整个场景被平移旋转成什么样，编码都不变。同期另一条路线 WorldCam 用 Lie 代数加 Plücker 坐标做类似的事，但 Plücker 显式依赖全局相机原点，不够彻底。EchoWM 选的是把全局依赖彻底去掉的一种。UCPEWorldCam

图注：媒体上下文、结构化文本与用户控制汇入统一的相机意图接口。离散命令或连续位姿被换成全局标定过的相对 6-DoF 轨迹，序列化为事件流，经 relative UCPE 分支注入视频 self-attention，而音频流不接收任何轨迹条件。EchoWM

相对表达解决了一个问题，又制造了一个新问题：量纲。不同数据集里"走一步"对应的物理距离天差地别，赛车狂奔的一段和公园散步的一段，位移数值可能差出几个数量级。如果每个片段各自归一化，慢的和快的在数值上会变得一样大，等于把运动幅度这个信息抹掉了。如果按续接窗口归一化，长 rollout 的每个边界都会出现速度跳变。EchoWM 的解法很直接：取整个训练集所有片段最大位移的 90 分位做一个全局标尺，所有轨迹的平移都除以这个标尺。角色狂奔 50 米和散步 2 米，标定后依然差着 25 倍的幅度，模型才知道"快走"和"慢走"是两种速度。EchoWM

这个接口还有一层隐藏的红利，多回合续接。因为轨迹是相对回合起点定义的，新回合开始只需把上一回合的尾部窗口作为条件接上，模型就知道自己当前在哪，从而无缝开启新一轮导航，不需要为每次续接重建坐标系。可进入这个词有两半，走得进去是一半，回得来是另一半。续接这一半，恰恰是长时程漂移最容易偷袭的地方。

接口定下来了，轨迹有了。但下一个问题立刻卡在眼前：这样的轨迹数据，和带声音带对话的画面，能同时从现实世界的数据里来吗？

有声音的画面和走得准的几何，能同时从数据里来吗？

这个问题之所以难，是因为世界上不存在一种数据源，能同时满足两个条件：既知道每一帧相机真实在哪，又要有丰富的原生声音和真实的人类操作。前者在论文里叫度量位姿（metric pose），指的是带真实尺度的相机位置与朝向，而不是比例含糊的近似估计。

四个数据源各有各的短板，EchoWM 的回应是一个四源互补的数据引擎：

互补的意思很具体：每个来源都缺一点东西，而缺口彼此不重叠，拼起来才够用。市面上没有现成的这种数据，所以必须自己造。EchoWM

图注：四个数据来源汇入共享流水线，一路处理音视频短片段，一路在约 1 分钟长窗口上恢复度量位姿，最终按训练阶段配比成三份混合数据集供后续三个训练阶段使用。EchoWM

给没有 ground-truth 的视频补位姿，本身是一道工程难题。EchoWM 的做法是三个模型接力：ViPE 在约 1 分钟的长窗口上做位姿优化，VGGT-Ω 提供时序一致的长序列几何，MoGe-2 提供逐帧的度量深度。稀疏估计出的位姿再用 SLERP 插值旋转、线性插值平移，还原成原时间戳上的密集轨迹。最后还有一道轨迹级的三维质量过滤，把重建不可靠、时序不一致、运动不合理的轨迹全部扔掉。只有 UE 数据因为自带 ground-truth，可以跳过这一整条链路。这套"把位姿估计与轨迹质量控制分开"的做法，论文明确承认沿用 SANA-WM 的 robust annotation principle；长序列一致深度加逐帧度量尺度的工具组合与 SANA-WM 的 Robust Annotation Pipeline 同源，属于这个方向的公共打法。EchoWM

双路径的分工也值得记一笔。音视频路径先用镜头边界检测把视频切成短片段，因为对齐声音与画面、清理标注都在短窗口里做最稳。几何路径专吃约 1 分钟的长窗口，位姿优化需要足够长的运动基线才能把尺度定准。同一个源的数据可以同时喂给两条路径，各取所需，谁也不拖累谁。EchoWM

这套工具链不是孤例。开源的 SANA-WM 走的数据标注管线几乎同源，用的也是 ViPE 加 MoGe-2 这一套，说明"给互联网视频补度量位姿"已经成为这个方向的公共基础设施。同期还有别的数据策略：WorldCam 只用 50 小时人类游戏录像这单一来源，Holo-World 则把真实、仿真、V2V（视频到视频天气迁移生成）三路数据配成三子集。它们各自服务的任务不同，一个盯 3D 一致性，一个盯天气与物体控制，都不是"音视频加轨迹"四合一。SANA-WMWorldCamHolo-World

数据备齐了，最后一道坎是训练：为什么不能把轨迹、视频、音频一次性端到端训完？

数据备齐了，为什么不能一步到位直接训？

直接端到端训会出事，这是 EchoWM 用四阶段渐进式训练绕开的坑。第一阶段叫 AV-CPT，不接任何轨迹条件，只用海量音视频把骨干模型适配到游戏场景和游戏声学先验上。第二阶段 Action-SFT 最关键：冻结整个骨干网络，只训练相机分支那一小撮参数，同时把文本条件裁剪到只剩场景、风格、视角、主体这些静态描述，并关掉音频损失。这样一来，轨迹成了解释相机运动的唯一变量，新参数学到的就是"轨迹残差"，骨干原有的音视频能力毫发无损。为什么必须冻结？设计逻辑是保护前两阶段的成果：论文对零初始化输出投影与 Joint-FT 低学习率的官方解释，都是"保留预训练通路、限制对前序阶段所学能力的扰动"。不冻结会让轨迹微调的梯度直接改写骨干，直觉上可能把"什么都能生成"的模型压成"只会沿轨迹走"的模型——但这是设计推断而非论文明确给出的因果。这里要分清设计与证明：以防覆盖既有先验为由冻结骨干是设计选择，论文并没有实证证明不冻结一定会造成这个结果。第三阶段 Joint-FT 才在高质量小子集上以低学习率同时更新全部参数，让两套能力在高质量分布上重新磨合。第四阶段进入流式自回归后训练，专门对付最棘手的时长问题。EchoWM

长时程为什么难，得从自回归生成的机制说起。长视频是一块一块往前生成的，每一块都要读前面块留下的记忆，也就是 attention 里的 K/V 缓存（键值缓存）。训练时问题来了：未来块的损失，监督不到"前面那块当初是怎么写进记忆的"。更糟的是，标准的 Self Forcing 训练把历史 K/V 冻结成只读缓存，模型于是学会了怎么读记忆，却永远学不会怎么为了将来的需要写记忆。直接对整条 rollout 开梯度倒是能监督写入，但梯度图会随 rollout 无限增长，显存直接爆掉。SGF

可以这样想：一个人写连载小说，写完一章就把原稿锁进保险柜，之后的章节只能读它、不能改它，也从来没人回头检查前面几章该不该那样写。于是连载越长，前后越脱节。直接改原稿又太重，整条故事线的修改量会压垮人。SGF（Self Gradient Forcing）的做法是誊抄一遍：第一遍无梯度地把全稿顺一遍，把每章的状态记下来。第二遍把记录下来的章节重新誊写，重算它们写进记忆的方式，这次让结局的反馈穿过因果 attention 传回开头，指导历史该怎么写。两遍誊写的结果几乎一致，SGF 论文测过，重建的潜变量与第一遍的相对误差只有 1.41%，但第二遍多出来的，正是那条缺失的写入监督通路。SGF

图注：左半的 Self Forcing 把自回归 rollout 的历史 K/V 冻结，写入路径作 stop-gradient 处理。右半的 SGF 在 Pass 1 无梯度 rollout 之后，用 Pass 2 平行重建上下文 K/V，让未来损失能监督历史的写入。图来自 SGF 论文，是原理性旁证而非 EchoWM 的训练流程图。SGF

EchoWM 把这套机制扩成了音视频联合版，并且不是一步到位，而是三步递进。第一步是因果教师强制：把双向 attention 转成块级的因果掩码，让每一块只能看前面干净的历史和当前块的噪声，先学会在干净历史上续写。第二步是短时程 SGF，加入两遍重建并配 DMD 蒸馏，把多步生成压到少步。第三步才是长时程 SGF：把短时程串接成多段 rollout，让误差可以逐段累积，再用限定窗口的 KV 缓存控制每层能看到多远的历史。这个缓存由 sink 和 FIFO 两部分组成，sink 钉住开头的位置锚点，FIFO 留住最近的新内容。SGF 论文用 5 秒的训练窗口原生外推到一分钟以上，EchoWM 的流式后训练走的正是这条路线。EchoWM

这引出一个自然的疑问：为什么不用显式检索式记忆，把历史压缩成可查询的存储？同团队的受控研究 Echo-Memory 专门比较了四类记忆方案，结论是：原始上下文本身就是最强的容量基线，压缩得紧凑并不等于语义记忆。既然这条路在数据上没跑赢，流式 SGF 就成了更扎实的选择。Echo-Memory 同团队在 8 月平行发布的姊妹篇 JoyAI-Echo-1.5，其世界模型分支共享同一套相机意图接口和 SGF 后训练范式，并在同一评测口径下同样拿到 81.7 的第一名分数。值得强调的是，这是同团队在平行工作中复用了这套接口与训练范式，显示的是路线的可迁移性；它不构成独立复现的证据，真正的独立验证还要等别的团队来做。JoyAI-Echo-1.5

接口、数据、训练都齐了，剩下一个硬问题：它到底能不能走进世界，还是在分数里自说自话？

双榜第一的成绩单，和长时程漂移的那条裂缝

先看评测方法。WBench 是目前评测交互式世界模型最完整的协议，它把表现拆成视频质量、设定遵循、交互遵循、一致性、物理合理性五个维度共 22 个子指标，还设计了一个关键机制：让文本、6-DoF 位姿、离散按键三种范式各用各的接口接收同一段导航行为，避免"用 A 范式的输入去测 B 范式的模型"。WBench

成绩单很漂亮。在 WBench 的 158-case 导航子集上，EchoWM 平均分 81.7 排第一，交互遵循 87.2，一致性 89.8。四步蒸馏版 EchoWM-Flash 以 81.0 排第二，交互遵循 87.9 甚至更高。紧随其后的模型是 HiDream-O1-World 的 80.9。在 SANA-WM-Bench 上，241 帧短时程评测里 EchoWM 在 Simple 和 Hard 两个 split 都拿到最高的 VBench Overall（83.91 / 83.96），Simple 的平移误差 0.160 和 CMC 0.162 都是全表最优。作为参照，开源基准 SANA-WM 在自己的 bench 上是 80.62 / 81.89。EchoWMSANA-WM

这个对手盘有一个值得注意的细节：第二名 81.0 与第三名 80.9 只差 0.1 分，而 EchoWM 领先第二名 0.7 分。在自动指标普遍挤在 70 到 80 分的区间里，这个优势不算碾压，但它是在"多回合、跨范式、五维同时打分"的协议下拿到的，不是单项刷榜。至于它到底强在哪，需要把分数拆开看。

图注：SANA-WM-Bench 的轨迹模板分两类。Simple split 走平滑对称或回访的平面路径，Hard split 加入垂直运动、环闭和俯仰视角，每格画有地面投影轨迹与 60 秒相机高度曲线。该图来自开源基准论文，不是 EchoWM 的评测图。SANA-WM

把短时程和长时程摆在一起，裂缝立刻可见。241 帧时旋转误差只有 0.523°，累积到 961 帧就变成 Simple 的 3.223° 和 Hard 的 12.05°，后者恰恰对应上图中那些环闭、俯仰视角的难轨迹。作者在论文里直接承认，累积位姿漂移是长时程生成的主要挑战。自建的偏好评测也给出了同样老实的图景：EchoWM 对 HappyOyster 以 63.13% 明显胜出，对更成熟的 LingBot-World-v2 只拿到 46.50%，并没有一边倒。短时程的领先是真本事，长时程的漂移则随时程不断加重。这与作者所列的缺少显式持久 3D 记忆这一局限一致，可能是漂移的重要解释；但这些评测本身只证明漂移随时程加重，还不足以直接断言背后的机制。EchoWM

拆开看这份成绩单的结构，EchoWM 的领先主要来自一致性（89.8）和交互遵循（87.2），画质分 81.5 与蒸馏版 Flash 的 81.1 几乎持平。换句话说，它的强项恰恰在"世界稳不稳、听不听话"，而不是"画面美不美"，这正是一个世界模型应该强的地方。分数之外，论文的定性结果也在说同一件事：同一套第一人称轨迹可以横跨游戏、真实、奇幻、风格化场景使用，长轨迹离开后回到原视角，场景布局、外观与主体身份仍能维持，环境音、前景效果、配乐与对话可以同步出现。定性不是分数，但它说明接口学到的东西没有锁死在训练域里。EchoWM

短时程领先、长时程漂移，这个格局在表里一目了然：所有数字都来自 EchoWM 论文原文，而 961 帧那一栏的裂缝，恰好预告了后面要讲的事情。

这些数字落回到体验上是什么？短时程里，EchoWM 的音画同步与轨迹跟随表现得稳定：持续给方向输入，画面稳定回应，声音不脱节。但到了 961 帧的长时程，旋转漂移累积到 12 度，等于走出去很远之后转个身，画面里的世界已经悄悄歪掉一截。对看视频的观众，这或许只是瑕疵。对机器人、自动驾驶这些要靠相机轨迹闭环的领域，这就是摆上台面的误差。短时程的 83.91 分说明它在该短时程基准上领先，长时程的 12.05° 说明漂移会随长度累积，两条信息缺一不可。EchoWM

漂移为什么只增不减？自回归生成的每一帧都建立在上一帧之上，相机姿态的估计误差会像复利一样逐帧滚大，而模型手里没有一张显式三维地图可以随时回去校准。这同样能与作者所列的缺少显式持久 3D 记忆这一局限对上，可能是漂移的重要解释；评测能证明的只是漂移随时程加重，机制层面的结论要留给后续研究。下一节作者自己承认的局限，句句都绕着这个圆心。

进得去的世界记不住你：可进入的价码，和留给下一代的遗产

作者在局限一节把话说得很直白，五条限制几乎在回答同一个问题：可进入的价码是什么。

第一，模型只支持能表达成相对 6-DoF 轨迹的导航与视角动作，跳跃、攻击、操纵、机器人指令这些角色级意图，接口表达不了。第二，模型没有显式持久的三维记忆，多回合续接下几何、主体身份、世界状态、音频都会漂移。作者把长时程评测里不断累积的旋转误差，包括 961 帧时的 12.05°，归因于这一缺失；这是作者提出的解释，评测本身只证明了漂移随时间加重，还没有把这条机制隔离开来。第三，交互范围受轨迹过滤的限制，更大的位移、更高的速度、不寻常的旋转还没有被验证。第四，互联网和 gameplay 视频的位姿估计即使过滤后仍有瑕疵。第五，模型不实现游戏引擎的规则、碰撞和确定性转移：你推开门，门不会因为碰撞而弹回，因为世界上根本没有门，只有跟随轨迹生成的像素。EchoWM

把这些限制合起来看，"走进生成的世界"的真实图景就很清楚了：你走进去的每一步都被回应，但它从未真正记住你。作者把"没有显式持久的三维记忆"与漂移并列，作为核心局限报告，并把它视为可进入的价码。要说明的是，这是作者给出的解释，而不是评测已经隔离出的机制。这份自白也因此显得诚实：它不是谦虚辞令，而是论文递给下一批研究者的接力棒。

另一边的遗产同样具体。相机意图把离散键盘和连续位姿统一成一条相对轨迹，这个抽象为机器人、自动驾驶这些同样需要"告诉模型怎么动"的方向提供了可检验的接口思路。流式 SGF 后训练提供了一条通用路径，让能做自回归生成的长视频骨干学会在自我生成的历史上继续生长。这套范式自己的代价也在姊妹篇论文里被坦白：限定窗口的 KV 缓存一旦把某个 chunk 挤出缓存，模型就把那片区域当成新场景。作者原话是，生成器不应仅仅因为对应历史被驱逐，就把场景当作全新的。显式记忆到来之前，遗忘是每一代模型都要直面的事。JoyAI-Echo-1.5

图注：流式自回归后训练范式的演化示意。SGF 在 2026 年 7 月提出两遍重建后，EchoWM 与其平行发布的姊妹篇 JoyAI-Echo-1.5 都在 2026 年 8 月把它扩展为音视频可进入世界的训练基础。这张时间线只表达演化关系，不承载任何定量数字。SGFJoyAI-Echo-1.5

回到最初的问题：这篇论文值得关注吗？判断它，看三个事实。它是目前唯一在七项能力上全勾、又同时在两个世界模型基准上排第一的系统，把"可进入"从概念变成了可复现的工程。它没有回避代价，五条局限写得比很多论文的结论还直白，尤其是把"没有持久 3D 记忆"摆上了桌面。它留下的接口与训练范式已被同团队在平行系统中继续采用，显示这条路线在同团队内部延续，而非独立复现。任何一个方向的第一份完整答卷，价值都在于把"能不能"变成"怎么才能更好"。EchoWM

交互式世界模型综述列出的未来方向包括：大规模带动作标注的数据、反事实推理、超长时程、物理感知、更易用的接口。EchoWM 的数据引擎和流式后训练恰好攻在前三条上，也把裂缝照得一清二楚。衡量这篇论文的价值，要同时读它的证明与放弃：它证明了可进入的全模态世界是可以训练出来的，也宣告了在显式记忆到来之前，你走进的世界仍会忘记你。下一次你按下方向键、看着生成的世界应声而动时，值得记住这一刻的价码。交互式世界模型综述

想深入可以读原文：EchoWM: Open and Enterable Omnimodal World Models — arXiv:2608.23189

参考文献

• EchoWM: Open and Enterable Omnimodal World Models（arXiv 2608.23189，锚论文）
• JoyAI-Echo-1.5: Long-Horizon Audio-Visual Generation for Persistent Stories and Interactive Worlds（arXiv 2608.23383，同团队平行技术报告）
• Echo-Memory: A Controlled Study of Memory in Action World Models（arXiv 2606.09803，同团队记忆受控研究）
• SANA-WM: Efficient Minute-Scale World Modeling with Hybrid Linear Diffusion Transformer（arXiv 2605.15178，同方向开源对照）
• WBench: A Comprehensive Multi-turn Benchmark for Interactive Video World Model Evaluation（arXiv 2605.25874，评测方法论）
• Unified Camera Positional Encoding for Controlled Video Generation（arXiv 2512.07237，相对射线编码前置）
• Self Gradient Forcing: Native Long Video Extrapolation（arXiv 2607.20368，长时程后训练方法来源）
• WorldCam: Interactive Autoregressive 3D Gaming Worlds with Camera Pose as a Unifying Geometric Representation（arXiv 2603.16871，同期相机轨迹路线对照）
• Holo-World: Unified Camera, Object and Weather Control for Video World Model（arXiv 2606.20083，同期统一控制路线对照）
• Towards Interactive Video World Modeling: Frontiers, Challenges, Benchmarks, and Future Trends（arXiv 2606.01164，方向综述坐标系）