Reading, Writing, Sharing, and Interacting with the World through Video

一句话要点

论文从世界建模视角系统梳理了视频理解与生成的四大核心操作：阅读、写作、共享和交互，强调从片段识别转向对持久状态和因果一致性的建模。

This survey unifies video understanding and generation through world modeling, focusing on four operations: reading, writing, sharing, and interaction, shifting from clip-level recognition to persistent, causal state modeling.

要点

• 视频理解与生成长期缺乏对世界动态和因果关系的建模，难以实现稳定、可预测的状态演化。
• 提出以世界建模为统一框架，将视频视为对潜在世界状态的失真投影，划分阅读（推断世界属性）、写作（从条件合成视频）、共享（共用模型理解与生成）和交互（预测并更新状态）四大操作。
• 研究发现当前方法正逐步从片段级感知转向持久状态、可控演化和物理因果一致性，并通过交互行为进行评估，验证了模型在动态世界中的合理性。
• 该视角系统性整合了视频建模方向，推动研究向可解释、可交互的动态世界建模演进，但对长期状态一致性和真实物理规律的建模仍面临挑战。

只根据 arXiv 官方摘要，由开源模型整理，经数字/专名自动核对（必须在摘要中出现），以论文原文为准。