EditWorld：让视频世界模型从“探索”走向可控编辑

导语

视频世界模型正在从“生成一个可以探索的场景”转向“生成一个能够持续响应用户意图的世界”。现有方法通常强调导航和交互：用户可以在模型生成的环境中移动，却不一定能准确要求模型修改某个物体、替换一种外观，或在长时间生成后保持编辑结果的一致性。南洋理工大学等机构提出的 EditWorld，正是针对这一控制缺口设计的视频世界模型。

核心要点

• 编辑可以在生成过程中持续发生。 EditWorld 不把编辑局限在生成开始前，而是允许用户在自回归生成期间不断输入文字指令和参考图像。这样的设计更接近交互式创作：场景生成到一半时，用户仍可以提出新的修改要求。
• 门控因果注意力处理变化中的条件。 编辑指令和参考图像并非始终有效，甚至可能在不同时间点承担不同作用。论文引入 Gated Causal Attention，使模型能够更有选择地利用随时间变化的编辑条件，同时维持视频生成的因果顺序。
• 稀疏上下文服务于长时程推理。 长时间生成会积累大量历史信息，全部保留会带来上下文成本和推理压力。Sparse Context 通过维护有边界的历史上下文，在控制资源开销的同时，帮助模型延续此前的世界状态与编辑结果。
• 训练与数据管线围绕编辑任务重构。 研究采用联合自回归和双向训练，并结合逐步退火的自采样策略，减少训练与实际生成之间的差异。此外，团队构建了专门的数据合成和标注流程，为世界编辑提供监督信号。
• 评测重点从“能否生成”扩展到“能否按要求修改”。 论文提出 WBench-Editing，用于系统评估流式世界编辑能力。根据论文摘要，EditWorld 在该基准上取得 73.8 的总体得分和 80.0 的编辑得分，并在编辑相关指标上领先已有方法。

意义与影响

EditWorld 的价值不只是增加一个编辑接口，而是改变了视频世界模型的使用方式。对于虚拟环境、交互式叙事、游戏原型和视觉内容创作而言，用户需要的往往不是一次性生成一个漂亮画面，而是能够边观察、边提出修改，并让后续状态继续遵循这些修改。流式编辑因此成为连接世界模型与实际创作流程的重要能力。

不过，从摘要披露的信息看，论文主要说明了方法设计和基准结果，尚不足以判断模型在复杂场景、长时间一致性、不同类型参考图像以及真实产品工作流中的表现。未来，编辑精度、世界状态持久性、计算成本和指令冲突处理，仍将是这类系统能否落地的关键问题。总体而言，EditWorld 展示了世界模型从“可探索”迈向“可塑造”的一个方向。

Hugging Face Daily Papers