**WorldFlow：通过大规模预训练实现视频与 3D 运动联合预测**

_WorldFlow: Joint Video and 3D Motion Prediction via Large-Scale Pretraining_

> 针对现有视频世界模型在 3D 动态方面隐含、动作公式依赖特定机器人配置以及 3D 运动预测仅使用流监督等局限，研究提出了 WorldFlow。该生成式世界模型通过参数化与视频网格对齐的连续位移 token，利用统一的混合 Transformer（MoT）骨干网络，在修正流目标下联合去噪视频与查询式 3D 轨迹。该方法将显式几何动态与视觉演化耦合，有效释放了预训练视频模型中的物理常识。研究在包含 144 万对象级样本的异构混合数据集上进行训练，并引入 WorldFlowBench 进行评测。结果显示，WorldFlow 在所有评估集上均取得了最低的位移误差，特别是在具有挑战性的空间推理任务中，其表现显著优于外部基线及仅使用流的变体。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-11-03 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.39278)