西湖大学发布 World in World：单目视频复刻李飞飞 Atlas | GAIR Paper 131|atlas|world|显式标识|李飞飞|西湖大学

不动模型，只动证据：世界模型由此成为通向真实世界的入口。

编辑丨岑峰

▎论文与作者信息

论文标题：World in World: Explore the World with World Models
作者：Chenxi Song（宋晨曦）、Yanming Yang（杨颜名）、Chi Zhang（张驰）
论文： https://arxiv.org/abs/2609.11548
项目主页：https://chenxi-song.github.io/worldinworld
GitHub：https://github.com/Westlake-AGI-Lab/WorldinWorld
第一作者宋晨曦是西湖大学 AGI 实验室博士后研究员，研究方向为世界模型、可控视频生成。通讯作者张驰为西湖大学助理教授、AGI 实验室负责人。

过去一年，视频生成的重心正在从"生成一段视频"转向"运行一个世界"。自回归视频世界模型不再一次性输出固定长度的片段，而是一段接一段地预测下一时刻的画面，用户可以在生成过程中随时移动相机、转动视角，模型像游戏引擎一样实时响应。9 月初，李飞飞的 World Labs 发布新一代世界模型 Atlas，再一次把"世界模型"推到聚光灯下：从一张图出发，生成一个可以任意运镜的世界，成了这个方向的标志性画面。

热闹之中，有一个问题很少被讨论：这些世界从哪里来？今天的世界模型，起点大多是文字、图片，或者模型自己的想象。而现实世界最常见的记录形式——视频——反而还没有被真正"走进去"过。一个自然的追问是：能不能让世界模型走进一段真实存在的视频，去探索那段视频里正在发生的世界？

西湖大学 AGI 实验室的研究团队给出的答案是World in World（WiW）。它不改动世界模型的任何参数，也不训练任何新模块，而是把源视频、几何、历史生成结果等控制信息统一转化成模型本来就会读的"视觉证据"，通过模型自带的自注意力读进去。凭这一个接口，同一个冻结的世界模型就能在一段视频的世界里自由运镜、做 360° 环绕和子弹时间、改画面、迁移动作，还能记住来路、与另一个模型实例共享所见。

图 1 World in World：探索视频中的世界。左为源视频记录的事件，右为同一事件在新视角下的生成结果——360° 向内环绕、360° 向外环视与自由探索。

首屏 16 宫格墙

主演示片

为什么"走进一段视频"这么难

从一张照片生成一个可以走动的三维场景，已经有不少成熟做法。视频难在多了时间这一维：它不是一个静止的空间，而是一个正在发生的事件。

模型必须同时做到四件事：生成画面与源视频中事件的进展保持同步；源视频里看得见的内容出现在新视角的正确位置；相机转过去后新露出的表面被合理补全；相机转回来时，早先生成过的内容还记得住。同步、对位、补全、记忆，缺一件效果就露馅。

现有方法通常为每项需求单独设计模块、单独训练：相机控制训一套条件编码，源视频重运镜训一套编码器，长时记忆再训一套记忆模块。每多一种控制，就多一条专用通路、多一轮训练。当预训练世界模型越来越强，这种"每种控制都要改造一次模型"的做法，代价越来越高，改造之后能不能保住模型原有的能力，也没有保证。

核心思路：不改模型，

把控制变成模型会读的"视觉证据"

WiW 的出发点是一个观察：因果视频世界模型在自回归生成时，本来就要通过自注意力读取初始帧和最近生成的画面，每个状态都带着相机与时间编码。也就是说，模型早就有一条读取"视觉状态"的通用入口，只是过去只用来读自己的输出。模型读自己的过去，和读外部的世界，可以走同一条通道。

WiW 把外部控制信息全部变成同一种东西：无论是源视频帧、投影到目标视角的画面、渲染出来的人体几何，还是已被滚动缓存淘汰的历史状态，一律标注上相机位姿、事件时间与有效区域，以干净状态送进冻结的骨干网络提取 K/V，再让当前的去噪 token 通过原生自注意力读到它们。扩展世界模型的控制能力，由此从"改造模型"变成了"构建并编排视觉证据"。这和大语言模型的经验是相通的：对一个足够强的预训练模型，很多能力不是训出来的，而是"给它看对东西"之后自己长出来的。

图 2 WiW 方法总览。源视频、目标视角投影、3D 人体几何、点轨迹等被统一构建为 K/V 形式的视觉证据，由冻结的世界模型通过原生自注意力读取；历史记忆、编辑内容、其他模型的 K/V 都可以作为可选证据接入同一接口。

具体来说，WiW 围绕"同步、对位、补全、记忆"四项需求构建了四类互补证据：带时间标签的源视频画面负责让事件同步推进；基于深度把源画面投影到目标视角，负责空间对位；用 3D 数字人渲染出相机转过去后新露出的人体表面，负责补全；一个覆盖整段生成的历史库，负责在相机转回旧区域时把当时生成的内容找回来。每一类证据只负责自己最可靠的那部分信息，合在一起覆盖全部四项需求。

在"怎么读"上，论文提出了两个轻量机制。对应引导注意力路由（CGAR）用源视频中追踪到的点对应关系告诉模型"该看哪里"，在几何给不出匹配的地方则不干预；证据级注意力 CFG（EWA）在单个注意力层的响应上，为每种证据独立调节引导强度、只放大证据带来的互补信息，并且复用同一次前向的结果，不增加任何额外的网络计算。一个管"看哪里"，一个管"信多少"，都发生在模型原有的注意力层里。

一个冻结模型，解锁十余种玩法

所有控制都走同一条通路，只需换一换证据的构成方式与相机、时间标签，同一个冻结的世界模型就能做完全不同的事。下面这些功能不是逐个开发出来的特性，而是同一个接口下不同的"取景方式"。

自由运镜与 360° 探索。给定一段普通视频，用户可以像玩第一人称游戏一样，用键盘在视频里的世界中移动、环顾，也可以围着主体绕一整圈，或站在场景中向外环视。事件进程始终与源视频同步，镜头没拍到的部分由模型的生成先验补全。一段视频由此不再是一个固定的观看位置，而是一个可以被重新观察的场景。

自由运镜·拳击

自由运镜·机器人

360° 向内环绕·双人舞

360° 向外环视 ·独舞

子弹时间。《黑客帝国》式的子弹时间过去需要几十台相机同步拍摄；在 WiW 里，只需要一段视频。做法上，它只是把证据的事件时间固定在某一帧、让相机继续运动。时间在这里成了一个可以被固定的标签。

子弹时间·牛奶飞溅

子弹时间·小丑

视频编辑。把编辑后的画面作为证据接入，模型会在保持原有运动与镜头的前提下，把修改一致地传播到整段视频。编辑不再是逐帧的活，而是改一处、传全篇。

视频编辑

跨模型通信。既然模型读的是 K/V 形式的证据，另一个模型实例的 K/V 同样可以传过来。论文展示的例子里，一个固定机位的实例被告知场景中发生了变化，另一个自由运镜的实例读取它的缓存后，在自己的视角里也"看见"了这一变化；不共享时则看不到。两个实例之间没有文本或图像的中转，交流的就是注意力缓存本身。这为多个世界模型共享同一个世界打开了一个口子。

图 3 跨模型通信：模型 A 与模型 B 是同一冻结模型的两个实例。B 生成的 K/V 作为记忆传给 A 后，A 在自由运镜下也能看到 B 所知晓的场景变化（右列）；不共享记忆时则看不到（中列）。

跨模型通信三联对比

人体动作迁移。把另一段视频中的人体动作换成 3D 人体几何证据，画面里的人就会照着做，同时相机仍可任意运动。动作、人物、机位三者各有来源，彼此解耦。

人体动作迁移 + 重运镜

长视频与更多。同一接口还能撑起几十秒不间断的连续生成，早先生成的内容可以随时被检索回来，这是长时间生成不走样的基础。此外还支持视频去抖、多机位式的视角切换，以及边按键边生成的实时交互，这里不再一一展示。

长椅场景 40 秒连续生成，2× 加速播放（20 秒）

这些取景方式还可以叠加。项目主页上的多支"冻结 360°"案例，就是把时间停住和 360° 环绕同时做出来的结果。因为它们不是功能列表上的独立条目，而是同一个接口上的不同参数组合。

实验：和主流方法放在一起看

研究团队在公开发布的 LingBot-World 2.0 上实现了 WiW，全部参数冻结，并在 DAVIS 与 OpenVid-1M 两个数据集上，把它和当前最主流的一些视频重运镜与 4D 世界模型方法放在一起，比较相机可控的视频重运镜。在同样的源视频与目标相机路径下，这个没有动过参数的模型在主体与场景一致性、视角控制和新露出区域的补全上都表现稳定（图 4）。

图 4 不同相机运动下的定性对比。所有方法接收相同的源视频与目标相机路径；从左到右依次为逆时针环绕、右转、下俯、右移、前进，WiW 为最下一行。

为什么是现在

这件事在两年前很难做成。它依赖两个条件：一是开放权重的视频世界模型已经足够强，能在真实场景里补全看不见的部分，并且保持前后一致；二是自回归、带相机与时间编码的架构成为主流，给"递证据"留下了天然的入口。WiW 是在这两个条件上顺势而为，它没有造一个更大的模型，而是让已有的模型多了一种用法。

这也意味着它会随着底座一起变好。底座模型的画质、一致性、长度每提升一档，走进视频里的探索也就跟着提升一档，而接口本身不需要重新设计。

结语：

世界模型的可控性，是一个"证据"问题

World in World 这个名字有两层含义：一段视频记录的世界，被装进了世界模型生成的世界之中；世界模型探索的对象，也从纯粹的想象扩展到了真实记录的事件。

更深一层的启发在于方法论。过去，扩展世界模型的控制能力意味着改造模型；WiW 表明，对一个足够强的预训练世界模型而言，控制可以被重新表述为视觉证据的构建、选择与调控。这条"不动模型、只动证据"的路成本低，也能跟着底座一起升级。

往前看，能被走进去的不只是电影片段和体育录像。一场直播、一次手术示教、一段机器人采集的操作数据，都是正在发生的世界的记录；当它们可以被重新观察、被多个模型共同理解，世界模型就不只是一个生成器，而是一个通向真实世界的入口。

为了方便大家抱团交流、互通会议消息，我们专门建了IROS2026参会交流群！进群你会解锁这些「福利」

会议情报站：投稿 DDL、格式规范、评审进度……关键节点第一时间送达，再也不怕错过 deadline，投稿准备稳稳的。
同行茶话会：天南海北的同行都在群里，聊心得、碰思路、攒人脉，科研路上我们同行。
前沿补给站：最新研究成果、热点方向实时同步，结合会议主题帮你捋清投稿脉络，给论文灵感加满油。
现场后援团：（会议期间专属开启）：到了会场也不用慌——
路线导航：场馆分布、报告厅怎么走，群里随时问；
议题共读：热门 session、Keynote 探讨，错过也能追；
Poster 汇编：现场海报精华整理，一键收藏不遗漏；
约局广场：约饭局、采访局、交流局……想唠嗑、想合作、想面基，群里发起就成。