知识卡片：通过视频阅读、书写、共享与交互世界

一句话结论

该综述提出以“世界建模”为统一视角，将视频基础模型（理解/生成）与视频世界模型整合到“读、写、共享、交互”四个互补操作框架下，强调从片段级识别与感知保真转向持久状态、可控演化、物理与因果有效性及交互驱动的评估。

事件概述或研究问题

视频基础模型在理解与生成视觉序列方面进展迅速，视频世界模型则试图捕捉所描绘世界的底层动力学。二者目标不同，但都关注视频观测与演化世界之间的关系。该综述要回答的核心问题是：如何用一个统一视角组织这两类研究，并厘清其任务、表示、模型、数据集与基准的演进方向与开放挑战。

方法/产品要点

• 统一视角：将观测视频视为潜在时序世界的“部分、有损、按时间排序的投影”。
• 四操作框架：
  • reading：从观测视频推断世界属性；
  • writing：从指定或学习到的世界条件合成视频；
  • sharing：通过共同建模机制整合理解与生成；
  • interacting：在动作与演化观测下预测并更新世界状态。
• 关键区分：观测/生成序列中的“时间连贯性”与底层世界状态的“一致性”不同。
• 覆盖范围：任务、表示、模型、数据集与基准。

主要结果或产业意义

综述梳理出研究重点的迁移：从片段级识别与感知保真，转向持久状态、可控演化、物理与因果有效性，以及基于交互与下游决策的评估；并提炼出随之而来的开放挑战。产业意义上，这为视频生成/理解系统的评测设计、世界模型构建与交互式应用提供了统一的概念坐标系（具体产业案例待核实）。

为什么重要

它把“视频理解”和“视频生成”放在同一世界建模框架下讨论，避免仅以像素保真或片段识别衡量进展；并提出以世界状态一致性与交互决策后果作为评估重心，这对构建可用于规划与交互的视频世界模型具有方向性意义。相对既有卡片中偏具体系统/基准的工作，本条提供的是领域级综述框架与术语增量（与既有脉络的关系：为视频生成、编辑与多模态推理类卡片提供上位分类视角）。

局限与不确定性

• 该材料为综述摘要，未给出具体实验数据或量化对比（待核实）。
• 四操作框架的覆盖完备性与分类边界未在摘要中详述（待核实）。
• 开放挑战的具体清单与优先级需查阅全文（待核实）。

可用于图书/PPT/简报的角度

• 用“读—写—共享—交互”四象限解释视频基础模型与世界模型的关系。
• 用“时间连贯性 vs 世界状态一致性”区分生成流畅与 world model 可信。
• 用“从片段识别/感知保真 → 持久状态/可控演化/物理因果/交互评估”讲研究重心的迁移。
• 作为视频生成、视频编辑、具身/交互式世界模型等章节的上位框架页。

原始材料

• Title: Reading, Writing, Sharing, and Interacting with the World through Video
• arXiv ID: 2610.31668v1
• Authors: Shengqiong Wu, Meng Luo, Bobo Li, Ziwei Liu, Shuicheng Yan, Ming-Hsuan Yang, Philip Torr, Hao Fei
• Published/Updated: 2026-10-22T17:59:50Z
• Primary category: cs.CV
• Abstract URL: https://arxiv.org/abs/2610.31668v1
• PDF URL: https://arxiv.org/pdf/2610.31668v1
• 关键词：video foundation models; video world models; world modeling; reading/writing/sharing/interacting; temporal coherence; world state consistency; physical and causal validity