知识卡片：Any Time, Any Space——以世界状态为中心的智能体视频生成框架

一句话结论

ATAS 通过引入“场景记忆”与“事件记忆”构成的世界状态，把剧本编译为带显式地点、相机与事件时间引用的镜头请求，从而在非连续请求下提升长视频生成的跨镜头时空一致性。

事件概述或研究问题

• 来源：arXiv:2610.20571v1（cs.CV），标题 Any Time, Any Space: A World-State-Centric Framework for Agentic Video Generation。
• 问题：长时程智能体视频生成需要把剧本转成镜头，且这些镜头在非连续请求下仍保持空间与时间一致。
• 作者指出，现有在镜头间传递提示词或最近帧的做法存在两个缺口：
  • 缺少共享空间坐标系，无法在后续请求中“回到”同一场景；
  • 缺少按时间索引的记录，无法重放早前发生的事件。

方法/产品要点

• ATAS 将剧本编译为镜头请求，请求中显式包含 location、camera 与 event-time 引用。
• 生成前：从两类记忆中检索相关证据
  • 场景记忆（scene memory）：已注册的静态几何。
  • 事件记忆（event memory）：动态观测，按 scene、event、time 索引。
• 生成后：ATAS 对片段进行重建（reconstruct）并注册（register）。
• 记忆更新条件：只有在 review 与 state checks 接受该观测时才更新记忆。
• 交付独立性：影片交付（film delivery）不受记忆准入是否通过的影响。

主要结果或产业意义

• 在四个视频生成器上，ATAS 改善了全部报告的跨镜头一致性指标，并在每个骨干模型上取得最高综合基准分数。
• 在 target-image spatial revisit 任务上，优于对比的智能体方法与 3D 引导方法。
• 在三个 event-recapture 标准上领先。
• 在全部六项指标上获得最高的人类评分。
• 项目页与代码：https://lhmd.top/atas/

为什么重要

• 把“跨镜头一致性”从依赖提示词/近邻帧的局部传递，转向可检索、可索引、可准入的世界状态记忆，为长时程、非连续镜头的生成提供了显式机制。
• 记忆准入与影片交付解耦的设计，说明生成系统可以在不阻塞产出的前提下维护状态质量。
• 与既有关于 3D 一致世界生成（如 GAE 的几何原生 latent）和测试时迭代优化的脉络相比，本条增量在于：把一致性维护放在智能体编排层，以显式地点/相机/事件时间引用和双记忆检索来支撑跨请求复现。

局限与不确定性

• 材料未给出具体数据集、评价协议细节与基线配置，需查阅原文核实。
• “四个视频生成器”具体为哪些模型、各自规模与版本：待核实。
• 记忆的重建与注册精度、长期运行下的记忆膨胀或漂移问题：待核实。
• 项目页外的代码与视频结果的可用性、复现条件：待核实。

可用于图书/PPT/简报的角度

• “提示词传递不够用”：为什么需要一个共享空间坐标与时间索引的世界状态。
• 双记忆架构：静态几何记忆 + 动态事件记忆的检索—生成—注册闭环。
• 记忆准入与交付解耦：工程上如何在保证产出的同时维护状态一致性。
• 智能体编排层 vs 生成模型层：一致性问题的分层解法对比。

原始材料

• Title: Any Time, Any Space: A World-State-Centric Framework for Agentic Video Generation
• arXiv ID: 2610.20571v1
• Authors: Weijie Wang, Haomin Zhang, Ye Li, Akide Liu, Zeyu Zhang, Haoyu Zhao, Yefei He, Donny Y. Chen, Feng Chen, Bohan Zhuang
• Published: 2026-10-14T17:54:18Z
• Primary category: cs.CV
• Abstract URL: https://arxiv.org/abs/2610.20571v1
• PDF URL: https://arxiv.org/pdf/2610.20571v1
• Project page: https://lhmd.top/atas/
• Keywords: agentic video generation, world-state-centric framework, scene memory, event memory, cross-shot consistency, spatial revisit, event recapture