WorldCycle：让视频世界模型学会“走回起点”

长视频世界模型常常能生成局部连贯的画面，但一旦把动作链拉长，状态就会慢慢漂移，最后连“回到起点”这种最基本的要求都做不到。WorldCycle 的核心想法很直接：如果一个动作序列和它的逆序组合在一起，理论上就应该回到初始状态，那么这个闭环本身就可以成为训练信号，而不必依赖人工标注的真实未来轨迹。

它解决了什么问题？

• 验证瓶颈：长时程动作没有现成真值，模型错了也难以发现。
• 闭环监督：把可逆动作做成循环，用“是否回到原状态”来检验模型。
• 两类奖励：空间闭合奖励检查前后镜像是否对称；时间一致性奖励检查重复执行时同一动作是否稳定。

这种训练方式的关键，不是让模型记住某个时序模板，而是学会把动作当作“状态算子”来理解：执行一次会怎样，反向执行又会怎样，重复执行是否仍然一致。论文还指出，这套方法对组合动作也有帮助，比如更复杂的移动与转向混合操作，基座模型在这类任务上往往更容易出错。

另一个值得注意的地方，是作者同步发布了 CycleBench。它不是单纯看生成画面好不好看，而是专门测模型在可逆、重复和复合动作下的状态回归能力。换句话说，评测重点从“像不像视频”转向“能不能当模拟器”。

从结果上看，WorldCycle 把状态回归漂移最高降低了 44%，并将复合动作准确率提升到接近 4 倍。这说明视频世界模型的下一步，不只是更会生成，而是要更可靠地维护物理状态与动作后果的一致性。对于长时程规划、具身智能和交互式模拟来说，这种能力可能比短期画质提升更关键。

来源：Hugging Face Daily Papers