H3-World：让视频生成模型成为可交互的世界模型

2026年9月2日阅读约 2 分钟

导语

视频生成模型正在从“根据提示词生成一段画面”走向“根据指令持续响应”。H3-World 的研究重点并不是重新设计一套键盘或动作控制器，而是利用 MiniMax-H3 已有的语言理解能力，把自然语言变成连接生成模型与交互世界的控制接口。

MiniMax-H3 本身已经能够通过自然语言影响角色行为和摄像机运动，但这类能力更接近整体提示：当一段视频中连续发生多个动作时，某条指令可能影响错误的时间段，或对其他动作产生“控制泄漏”。H3-World 针对的正是这一问题。

它将每个动作表示为角色指令与镜头指令的结构化组合，再把这组指令与视频生成过程中的相应时间潜变量对齐。研究进一步引入“时间注意力路由”，限制每条指令只作用于预定的时间区间。这样，动作不再只是描述视频应该呈现什么，也能更明确地规定何时发生、持续多久以及镜头如何配合。

H3-World 展示了一条相对务实的世界模型路线：与其为视频生成器另建完整的动作理解和执行系统，不如先挖掘模型在大规模视频预训练中形成的语义表示，再用少量数据将其连接到交互控制。这样做可以减少新增模块和训练成本，也让语言成为更自然、更容易扩展的控制层。

当然，摘要主要说明了方法设计与总体结果，并未提供完整的评测指标、交互延迟或长期状态一致性细节。因此，H3-World 更适合被理解为一种将视频生成能力转化为可控世界模拟的有效尝试，而不是已经解决了实时交互世界模型的全部问题。后续价值将取决于更复杂动作、长时间运行和更严格评测中的稳定性。