Video Rebirth 走了一条很明确的路线：先把视频当作理解和生成世界的基础数据，再做实时、可交互的世界模型。机器之心将这项阶段性成果称为 Olympus，文中描述用户可以在三维场景里按键操控角色，画面随操作生成并响应。1
这类系统要同时守住三件事：物理一致性、声画同步和长程记忆。文章介绍，Olympus 建立在视频生成引擎 BACH 之上，训练大致经过场景数据领域微调、因果控制注入和自回归蒸馏，再配合按键 embedding、Cross-Attention 与 KV Cache 复用来支持交互。
Video Rebirth 把世界模型路线分成三类：三维显式、视频隐式和视频显式。它选择的是视频显式路线，理由是视频本身带着连续的时空信息。文章把下一步目标指向 Simulation Agent，覆盖游戏智能体、机器人、具身智能和工业仿真。以上均按原文报道口径整理，配图中的结构卡是概念整理，不是 Olympus 官方产品界面或现场照片。
原文入口：机器之心原文
评论
登录后可发表评论。