知识卡片：WorldGuide：面向程序性任务执行的目标导向视频世界模型

一句话结论

WorldGuide 把程序性视频生成重新定义为“视觉世界空间中的闭环任务执行”：仅给初始图像和任务目标，模型预测原子动作、生成对应视频片段，再用生成结果决定下一步或终止；它通过共享步级演示训练 Planner 与 Executor，并配套约 59K 步级标注视频的 WorldGuide Bench。

事件概述或研究问题

• 视频生成器与基于视频的世界模型能合成看似合理的视觉轨迹，但长时程程序性任务要求生成过程能根据“实际已生成的内容”进行自适应。
• 模型需要从自身生成的状态判断下一个动作、执行该动作，并识别任务何时完成。
• 开环生成无法根据执行结果调整；已有闭环系统常依赖预训练执行器或间接验证，导致“决定动作”与“成功实现动作”之间存在缺口。
• 论文将程序性视频生成形式化为视觉世界空间中的闭环任务执行，并提出 WorldGuide。

方法/产品要点

• 输入仅需初始图像与任务目标；WorldGuide 预测一个原子动作，生成其对应视频片段，并利用生成结果选择下一动作或终止。
• Planner 与 Executor 在同一套步级程序性演示上训练：Planner 从视觉进展中预测下一原子动作或任务完成；Executor 被直接训练来“实现”这些被预测的动作。
• 采用分层视觉记忆（Hierarchical visual memory）在长时程执行中维持状态，并使历史 token 成本有界。
• 针对联合训练 Planner-Executor 缺乏步级动作-视频监督的问题，论文提出 WorldGuide Bench：约 59K 步级标注视频，覆盖 245 个任务与 27 个程序性类别。

主要结果或产业意义

• 在 WorldGuide-Bench 上，WorldGuide 取得 33.33% Task Success；对比近期强视频模型 MiniMax-H3 的 29.90%，且 MiniMax-H3 还接收了参考动作计划。
• 在 VideoCraft-Bench 上，WorldGuide 取得 47.69%；在仅目标条件（goal-only conditioning）下，MiniMax-H3 为 32.73%。
• 结果被作者用来论证：对于目标导向的程序性视频生成，把规划与可学习的执行耦合起来很重要。
• 论文同时贡献了带步级动作-视频监督的数据集/基准 WorldGuide Bench，用于训练与评测这类闭环执行能力。

为什么重要

• 它把“视频世界模型”的评价焦点从画面合理性推进到任务级成功：模型必须能在自身生成的状态上闭环推进，而不是一次性输出整段视频。
• 与只做动作条件预测的世界模型相比（如 DreamX-Phi 1.0 输入预设动作序列预测未来观测），WorldGuide 强调由模型自行决定下一原子动作并在生成后重新判断状态，覆盖了“决策—执行—终止”的完整循环。
• 与关注物理表示或长时流生成的工作相比（如 Physis-Lang、M⁴World），WorldGuide 的增量主要在于程序性任务的闭环执行框架与步级监督基准，而非单纯的生成质量或物理合理性。
• 产业意义上，这类能力可对齐到需要按步骤完成任务的视频生成、具身/操作流程模拟与自动化流程验证等场景。

局限与不确定性

• 论文给出的成功率仍偏低（WorldGuide-Bench 33.33%、VideoCraft-Bench 47.69%），说明长时程程序性闭环执行仍未解决。
• WorldGuide Bench 的 245 个任务、27 个程序性类别是否能覆盖真实场景的多样性，待核实。
• “分层视觉记忆”的具体结构、历史 token 成本上界、Planner/Executor 的模型规模与训练细节，摘要未展开，待核实。
• 与 MiniMax-H3 的对比设置（提示格式、是否允许计划输入、评测协议）细节待核实。
• 是否存在与真实机器人/真实操作环境的迁移实验，摘要未提及，待核实。

可用于图书/PPT/简报的角度

• “从开环生成到闭环执行”：视频世界模型的任务完成度视角。
• “决策与执行必须一起学”：Planner-Executor 联合训练为何关键。
• “步级监督是瓶颈”：WorldGuide Bench 作为程序性视频生成的数据基础设施。
• 对比页：动作条件预测（给定动作序列）vs 目标导向闭环（自行决定动作并验证结果）。
• 指标解读：为什么在“给参考动作计划”的条件下仍可能输给“仅给目标”的闭环模型。

与既有脉络的关系

• 相对 DreamX-Phi 1.0（动作条件视频世界模型，输入预设动作序列预测未来观测），WorldGuide 把动作来源从外部预设改为模型自行预测，并用生成结果闭环决定下一步或终止，评测重心转向任务成功率。
• 相对 Physis-Lang（以自演化语言作为物理表示提升物理合理性）与 M⁴World（多视角多模态驾驶世界模型、长时流与交互式物体操控），WorldGuide 的增量在于程序性任务的闭环执行范式与步级标注基准，而非物理表示或驾驶长时流生成。

原始材料

• Title: WorldGuide: Goal-Directed Video World Model for Procedural Task Execution
• arXiv ID: 2610.12459v1
• Authors: Ankan Deria, Komal Kumar, Hisham Cholakkal, Fahad Shahbaz Khan, Salman Khan
• Published: 2026-10-08T17:59:31Z
• Primary category: cs.CV
• Abstract URL: https://arxiv.org/abs/2610.12459v1
• PDF URL: https://arxiv.org/pdf/2610.12459v1