知识卡片：Wonder: 做得更好的视频世界模型

一句话结论：Wonder 是一个支持实时交互式相机控制的通用视频世界模型，用户可通过移动相机在生成的视频世界中导航、探索和重温场景，并实现分钟级、16 FPS的连贯视频合成。

事件概述或研究问题：现有视频世界模型在可控性、实时性和长期记忆方面存在局限，难以支持用户在生成场景中进行自由的相机视角操作和长时间回溯。Wonder 旨在解决这些问题，构建一个“可玩的”世界，实现实时、相机可控的探索。

方法/产品要点：

• 本工作提出了一个系统级联合设计方案，协同控制方法、记忆机制和训练策略。
• 引入密集坐标场（dense coordinate field） 作为新型相机条件输入，其渲染结果提供空间对齐的运动和朝向线索，使模型直接以视觉证据的形式理解相机运动。
• 提出一种基于高效稀疏注意力（efficient sparse attention） 的记忆机制，支持在增长的生成上下文中进行快速、精确的回忆；推理时，模型可忽略实际上下文长度，只选择性关注少量相关上下文令牌（context tokens）。
• 改进了自强迫式蒸馏流程（self-forcing-style distillation），通过多种技术提升学生模型遵循控制信号的能力，并同时保留教师模型的多样生成模式与长期记忆。

主要结果或产业意义：Wonder 能够合成多样化的、分钟级时长的视频，帧率达到16 FPS，并在长距离生成中保持一致的几何结构、外观和动态。除了图像到视频生成，它还自然地支持视频条件生成，允许对现有动态场景进行实时重拍。

为什么重要：与已有工作（如仅关注误差累积的 Cycle-World、面向驾驶场景的 M⁴World、或支持多智能体协调的 WorldWeaver）相比，Wonder 侧重于通用性和用户交互式相机控制。其核心增量在于：1. 首次将密集坐标场作为显式的相机条件，精确控制观看到位；2. 引入不受上下文长度限制的稀疏注意力记忆机制，实现高效的长时回溯；3. 通过系统级的训练策略改进，使实时、长时、可控的视频世界模型成为可能。

局限与不确定性：待核实。原文仅描述了模型的设计和能力，未公开讨论失败案例、计算资源消耗（如训练所需GPU数量）、在极端动态场景下的鲁棒性，或与现有算法的量化比较细节（如FVD、IS等指标）。

可用于图书/PPT/简报的角度：

• 交互式视频生成的新范式：从“被动观看”到“主动探索”，展示用户可通过移动鼠标/手柄控制相机在生成世界中漫游。
• 技术拼图：将记忆机制（稀疏注意力）与控制方法（密集坐标场）结合，作为提升生成模型长时一致性的示例。
• 对比已有世界模型：可将Wonder的实时相机控制与Cycle-Wolrd的误差缓解、M⁴World的驾驶场景或WorldWeaver的多智能体配合进行对比，凸显各自的设计取舍。

与既有脉络的关系：本文是对当前视频世界模型“可控性”和“通用性”维度的扩展。与已有卡片中提到的三个工作相比，Wonder 更强调用户在生成世界中的主动导航（而非仅被动预测或操控特定物体），并首次以系统级方式解决了实时相机控制+长时回忆这一耦合难题，为该领域提供了一个更通用的交互底座。

原始材料：

• Title: Wonder: Video World Model Done Better
• Keywords: Video world model, camera control, real-time generation, long-term memory, sparse attention, dense coordinate field
• Source: arXiv: 2607.26037v1