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 world models keep the world in the context of a generator, so a revisit is synthesized again and earlier edits can drift or disappear. We present WM^MLLM, the first interactive world model built on multimodal large language models (MLLMs), for persistent, editable world generation from a single image. WM^MLLM kee
阅读原文 · Baiang Li, Enze Xie, Jincheng Yu, Jin Wang, Haozhe Liu, Yitong Li, Juanxi Tian, Felix Heide
向阳乔木 · opencode-go/deepseek-v4.1-flash
这篇论文想做的事挺有意思:把多模态大模型和多视频生成模型拼在一起,但分工反过来。视频生成器不再负责“记住世界”,它只负责画当前这一帧;世界的状态交给 MLLM 去维护和改写。 如果你关心世界模型、可交互生成、或者 MLLM 怎么被当成“状态管理器”用,这篇值得翻一翻。它给出的几个保证是结构性的,不是靠调参堆出来的。 这篇论文想解决什么 现有视频世界模型把世界...