EvoWorld：迈向生成式视频模型中的视野外世界演化

生成式视频模型正日益被用作视觉世界模拟器，但其主要优势在于渲染看似合理的像素，而非推理世界应如何演化。连贯的世界演化不仅需要视觉保真度：当事件发生时，模型必须推断其对世界中各个实体的影响，再渲染由此产生的状态。例如，野兽出现后，模型不仅应描绘这只野兽，还应根据实际呈现的场景，推断附近的人应逃跑、寻找掩护还是反击。现有基于扩散的视频模型缺乏显式机制来维护世界状态，并推理此类以事件为条件的后果，因此往往生成视觉上看似合理、但行为上静止不变或因果上不一致的结果。为使这一推理差距变得具体且可衡量，我们提出了一个新问题——视野外因果演化，要求模型呈现事件，推理其对不断演化的世界状态的影响，并在世界持续演化的过程中揭示因果上合理的结果，即使相关演化发生在视野之外。作为基线参考方案，我们提出 EvoWorld，这是一种大脑与渲染器协作的框架，其中视觉语言模型充当世界大脑：它观察已生成的片段，持续维护对世界的动态描述，并推理合理的状态转移；片段自回归视频渲染器则将这些状态转移以视觉形式呈现。我们进一步推出 EvoWorld-Data 和 EvoWorld-Bench，用于训练和评估事件呈现、因果反应及重访一致性。实验表明，与近期模型相比，EvoWorld 在保持视觉质量和一致性的同时，显著提升了以事件为条件的因果演化能力，为推理引导下超越当前视野的自主世界演化确立了参考基准。