**通过点轨迹预测学习 4D 世界：VPM 模型实现多视角视频与 3D 运动联合生成**

_Learning the 4D World through Point Trajectory Forecasting_

> 研究团队提出了 Video-Point Model (VPM)，这是一种结合多视角视频历史与语言指令的世界模型。该模型通过引入相机条件化的多视角处理机制，整合不同摄像头的互补观测，并利用轨迹头预测场景中持久点的 3D 运动轨迹。VPM 将每帧视频生成与点轨迹预测联合监督，从而将各视角的外观变化锚定在共享的 3D 运动描述上。此外，研究构建了 VPM-Data 模拟语料库和 VP-WorldBench 基准，并将 VPM 扩展至机器人控制，通过引入动作令牌实现了基于 3D 感知的策略生成。实验表明，点轨迹监督显著提升了视频生成保真度、3D 运动准确性以及机器人在模拟和真实环境中的操作成功率。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-10-21 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.28594)