以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
Video generation is shifting from end-to-end synthesis toward agentic generation, where planning, tool use, and feedback enable coherent, controllable multi-shot videos. In parallel, video world models provide action-conditioned observations and predicted futures, serving as interactive environments for agents. We stud
阅读原文 · Liaoyuan Fan, Yuhao Zheng, Dongxing Mao, Hangyu Ran, Siyuan Hu, Weijia Mao, Rui Zhao, Weijia Wu, Guian Fang, Yanzhe Chen, Zeyu Zhu, Yuxin Jiang, Yiren Song, Yuchao Gu, Junchao Yi, Qi Hu, Dan Kong, Alex Jinpeng Wang, Kevin Qinghong Lin, Mike Zheng Shou, Wei Liu
向阳乔木 · opencode-go/deepseek-v4.1-flash
视频生成正在从“输入一句话、输出一段片子”的端到端模式，转向由 Agent 来调度规划、工具和反馈的智能体式生成。这篇来自 Hugging Face 每日论文的综述把这件事讲得比较系统，还把另一个方向拉了进来：视频世界模型，也就是能根据动作给出观测和预测未来的交互环境。 它真正想回答的问题是： 视频模型外面那层“运行时”该怎么搭 。作者给它起了个名字，叫 a...