**WorldCrafter：带隐式 3D 感知记忆的一致视频世界模型**

_WorldCrafter: Consistent Video World Model with Implicit 3D-aware Memory_

> 研究提出 WorldCrafter 视频世界模型，核心是让目标视角决定多视角历史信息如何压缩进生成器有限的 token 预算，从而学习可相机查询的隐式 3D 感知记忆。该记忆编码器与姿态条件读出模块与视频生成器联合训练，在去噪前把历史观测整合进一组固定数量的目标视角专属 token，无需显式深度对应。结合近期时间上下文与少步蒸馏，模型可从单张图像或文本提示进行流式场景探索。在静态与动态场景实验中，长时序一致性与相机控制精度显著提升，同时保持分钟级探索的画质。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-09-22 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2609.24984)