World-T³ - 具备持久记忆的实时视频世界模型研究项目

导读：World-T³ 是一个相机可控视频世界模型研究项目。其核心是在生成过程中用测试时训练维护固定大小的快速权重记忆，帮助模型在重访已走过的视角时减少场景漂移。

核心思路

普通自回归视频生成常依赖有限的滑动上下文，较早画面滑出窗口后可能被重新生成。World-T³ 用相机位姿作为检索线索，把被淘汰的视频块内容写入可更新的快速权重；后续生成时再按目标位姿读取对应场景特征。

适合关注哪些能力

• 相机可控：按指定轨迹生成并重访画面。
• 长时一致性：关注回到已访问区域时的结构和外观稳定性。
• 实时性能：论文通过蒸馏与推理优化降低采样步骤，但实际速度依赖硬件和配置。
• 研究复现：可从项目页确认论文、代码、模型和许可的最新情况。

使用边界

论文指标来自特定数据、轨迹、模型版本和 B200 测试环境。它们不能直接等同于任何设备上的实时表现，也不代表模型能无条件保持任意长度和任意场景的记忆。商业使用前需进行短场景复测并核对许可。

官方入口

World-T³ 官方项目主页

常见问题

1. World-T³ 是什么？
   它是相机可控视频世界模型研究，利用测试时训练把历史观测写入快速权重，尝试在长时生成时保留已访问场景的信息。
2. 论文中的 20.6 FPS 能代表普通显卡表现吗？
   不能。该结果来自论文指定的 NVIDIA B200、分辨率和优化配置，其他显卡、驱动、模型版本与画幅会有明显差异。
3. 持久记忆是否保证永不遗忘？
   不保证。作者也指出位姿估计误差和超出训练长度的生成仍可能带来细节退化。
4. 它适合直接用于商业视频制作吗？
   研究演示不等同于成熟生产工具。使用前需核对代码许可、权重、硬件要求、内容权利和实际素材表现。
5. 什么是测试时训练？
   指模型在推理或生成过程中，针对当前观测更新一小部分可变状态或权重，以适应当前任务，而不是完整重新训练模型。