WorldFoundry：为世界模型建立可复现的统一基础设施

导语：从视觉逼真走向世界理解

视觉生成模型已经能够产出十分逼真的画面或视频，但画面真实并不等于理解了一个世界。一个模型可能生成连贯的观察结果，却无法维持物体和环境的持久状态，也不能在用户施加行动后给出符合因果关系的变化。WorldFoundry 的出发点，正是为这类差异提供一套更清晰、可执行、可复现的基础设施。

什么才算生成式世界模型

论文将生成式世界模型描述为一种预测性动力系统，至少需要具备三项能力：

• 维护由历史信息条件化的环境表示，而不是只根据当前画面生成下一帧；
• 根据行动、干预或反事实操作更新内部状态；
• 生成时间上连贯的轨迹，并体现不同干预可能带来的结果。

围绕这一界定，项目提出一套面向智能性的能力框架，覆盖感知对齐、持久状态建模、可控变换、动力学感知预测和闭环交互。这样的划分把关注点从单纯的视觉质量，扩展到模型是否能够持续记住环境、理解动作影响，并参与多轮互动。

WorldFoundry 解决什么问题

目前，视频、3D/4D、具身行动和交互式世界系统往往拥有各自的输入格式、运行方式、输出形式与评测流程。研究者不仅需要找到模型和基准，还要处理依赖环境、资产准备、推理执行、结果保存以及可视化等工作。流程碎片化会让不同系统难以公平比较，也容易把“尚未集成”误认为“效果不佳”。

WorldFoundry 通过统一的基础设施连接这些环节，同时使用面向不同模态的适配器，避免强行抹平各类系统的原生语义。项目还引入显式清单、持久化产物契约和基于证据的评分卡，将运行准备度与评测结论分开记录。换言之，系统是否成功执行，和模型是否在某项能力上表现良好，是两种不同的判断；每条结论都应能追溯到相应产物和证据。

意义与影响

WorldFoundry 的价值不在于提出一个新的视觉生成模型，而在于为世界模型研究补上工程与评测层。它有助于把分散的模型、基准和指标放入可重复的执行流程中，并推动研究者更明确地区分感知生成、状态建模、可控性、动力学预测和闭环交互。

对这一领域而言，统一基础设施意味着比较标准可能逐步从“样本是否逼真”转向“模型能否在行动下保持一致、预测后果并支持交互”。不过，WorldFoundry 本身是执行和评测框架，框架中的可用性记录与证据并不自动等同于模型能力结论。最终判断仍取决于具体模型、任务、基准和评测协议。

Hugging Face Daily Papers