A Mechanistic View on Video Generation as World Models: State and Dynamics

https://arxiv.org/abs/2601.17067v1 Этот научный обзор исследует трансформацию генераторов видео в полноценные модели мира, способные симулировать физическую реальность. Авторы систематизируют современные подходы через две ключевые составляющие: построение состояния и моделирование динамики. В тексте подробно анализируются механизмы памяти, где история наблюдений либо хранится в виде неявного контекста, либо сжимается в явные латентные переменные. Особое внимание уделяется переходу от простого рендеринга пикселей к причинно-следственному прогнозированию с использованием передовых архитектур и больших мультимодальных моделей. В завершение предлагаются новые критерии оценки нейросетей, основанные на физической устойчивости и логике взаимодействия объектов в пространстве.