视频生成有个老纰谬，镜头一动就"穿帮"，终于有了靠谱的解法。

浙大相连微软亚洲盘考院最新提议的World-R1，不改架构、不要 3D 数据，纯靠强化学习就让视频生成模子学会了"交融"三维寰宇。

是以，AI 视频为啥总穿帮？

目前的视频生成模子，画面精细是精细了，但有个致命伤：不懂三维。

你让镜头转个弯，成立就扭了；鼓舞去看个近景，物体就消亡了。

本色上，这些模子仅仅在二维像素层面作念统计拟合，根底不睬解目下的寰宇是个三维空间。

过去的解法呢？往模子里硬塞 3D 模块，但代价是推理本钱飙升、泛化智力变差，况兼只可作念图生视频，文生视频根底搞不定。

World-R1 的念念路：不改架构，靠 RL "唤醒"

World-R1 的起点很简单：

预测验的视频模子内部仍是有 3D 学问了，仅仅"千里睡"着。用强化学习把它唤醒就行。

具体奈何操作？三板斧。

第一斧：把相机轨迹"藏进"噪声

别东说念主适度相机通达，需要颠倒测验一个适度集合。

World-R1 说：不需要。

它从笔墨里提真金不怕火通达关节词（比如" push in "" orbit left "），生成相机轨迹，然后通过光流投影，平直把通达讯息编码进扩散模子的入手噪声里。

一溜代码不改，一个参数不加，相机就能随着笔墨走。

第二斧：让 3D 模子当"裁判"

RL 的中枢是奖励函数。

World-R1 谋划了一套四维复合奖励：元视角评分，用 Depth Anything 3 把视频"抬"成 3D 高斯溅射，再从一个十足不同的角度去看。

正面看没问题？换个角度可能就"清楚"了。

用 Qwen3-VL 当评审员，颠倒持"纸片东说念主"。

重建保真度，3D 重建完再渲染且归，跟原视频逐像素比对。

轨迹对都度，看生成的相机通达有莫得淳厚听话。

通用画质，hg真人游戏官方网站HPSv3 打分，确保画面不变丑。

整套奖励通过 **Flow-GRPO 框架优化。

第三斧：让模子"又硬又软"

纯追求 3D 一致性会出问题：行东说念主不会步碾儿了，旗号不会飘了，统共寰宇像冻住了相同。

World-R1 的解法是周期性解耦测验：闲居阶段，用竣工奖励猛练几何一致性；

每 100 步，切换到"动态专场"，只用通用奖励在高动态数据上测验。

后果平直成立牢不行破，旗号照样飘。

3000 条纯文本，莫得一帧视频

你可能会问：测验数据从哪来？

谜底是：不要视频，不要 3D 财富，纯文本就够了。

盘考团队用 Gemini 生成了约 3000 条高质料场景形色，涵盖峡谷、城市、深海、蘑菇丛林等千般场景，按相机通达难度分了三级。

模子就这么在"纯遐想"中，学会了信得过寰宇的物理门径。

本质数据

基于 Wan 2.1 测验了两个版块：World-R1-Small（1.3B）和 World-R1-Large（14B）。

3D 一致性

Small 版比基线 PSNR 涨了 10.23 dB，Large 版涨了 7.91 dB。LPIPS 从 0.467 降到 0.201，几何幻觉被干掉了泰半。

画质不降反升

在 VBench 上，World-R1-Small 好意思学质料 65.74、成像质料 67.53，全面越过基线 Wan 2.1-1.3B。

而那些装了颠倒相机适度模块的法子（ReCamMaster、DAS），好意思学质料惟一 38～42 分。

3D 增强了，画质也更好了，鱼和熊掌兼得！

百闻不如一见

3D 重建的点云也能看出差距：基线模子的重建像一堆散沙，World-R1 的像一座信得过的成立。

消融：每一刀都切在重要上

消融本质的论断很明晰：去掉 3D 感知奖励，几何一致性平直崩盘；

去掉通用生成奖励，画面好意思学肉眼可见解劣化；

去掉噪声包裹的隐式相机适度，敛迹速率慢了一倍；

去掉周期性解耦测验，动态场景的生成智力委果全废。

四个组件为德不终紊，不行偏废。

World-R1 让视频模子"交融"三维寰宇，无须推倒重来——

只需用正确的奖励信号，唤醒它已有的空间感知。

论文贯串：https://arxiv.org/abs/

名目主页：https://aka.ms/world-r1

代码：https://github.com/microsoft/World-R1

一键三连「点赞」「转发」「防备心」

宽宥在驳斥区留住你的方针！

—  完  —

咱们正在招聘别称眼疾手快、护理 AI 的学术剪辑实习生  � �

感有趣有趣的小伙伴宽宥护理 � �  了解细目

� � 点亮星标 � �

科技前沿发挥逐日见HG官网(HoGaming)