世界模型走出實驗室：CVPR 2026的范式之爭

一位研究員正在調試視頻生成模型。他設定了一段相機環繞物體的軌跡，卻發現生成的畫面中物體形狀在漂移，背景結構在扭曲，物理規律時而被遵守，時而被打破。這不是技術細節的問題，而是整個范式的問題：我們究竟在擬合像素，還是在建模世界？

CVPR 2026 上，五篇核心論文給出了截然不同的答案。它們之間的分歧，構成了當前世界模型研究最真實的圖景。

正方：4D 幾何是必由之路

復旦大學、香港大學與騰訊應用研究中心聯合提出的 VerseCrafter，代表了第一條技術路線：用顯式幾何結構重建世界。

研究團隊發現，現有視頻生成模型困在 2D 圖像空間里，導致相機運動和多物體運動無法統一控制，生成結果穩定性差。他們的解法是將視頻表示為"3D 空間 + 時間"的統一世界狀態，而非逐幀像素。

具體而言，VerseCrafter 提出"4D 幾何控制表示"：用靜態背景點云描述場景結構，用帶時間信息的 3D 高斯軌跡描述動態物體。幾何信息被轉化為控制信號輸入視頻擴散模型，使最終輸出嚴格遵循設定的相機路徑和物體運動。

這項工作的三個技術亮點值得拆解。第一，它實現了從 2D 像素生成向 4D 幾何建模范式的轉變。第二，它在同一框架下統一控制相機運動與多物體運動，相比依賴 2D 軌跡或邊界框的舊方法更靈活一致。第三，顯式 3D 結構和時間約束顯著提升了時序一致性，長視頻生成更加連貫。

核心貢獻可以概括為：視頻生成從"基于像素的合成"轉向"基于結構的生成"，可控性與穩定性明顯提升。

反方：真實世界的數據才是瓶頸

中國科學院自動化研究所與 CreateAI 的 NeoVerse，則對"幾何優先"路線提出了直接挑戰。

研究團隊指出，現有 4D 世界模型往往依賴多視角數據或復雜預處理，擴展性差，難以利用真實世界中大量隨手拍攝的單目視頻。這是一個被忽視但更根本的瓶頸：不是建模范式不對，而是數據獲取成本太高。

NeoVerse 的核心思路是用"自然場景中的單目視頻"構建 4D 世界模型。模型從普通視頻中恢復場景 3D 結構，并建模隨時間變化的動態信息，實現完整 4D 表示。在此基礎上，它既能進行 4D 重建，也能生成新相機軌跡視頻，支持多種下游任務。

三個亮點構成了它的技術主張。第一，突破對多視角或專用數據的依賴，直接用"野外采集"的單目視頻訓練，大幅提升可擴展性和數據可獲得性。第二，統一 4D 重建與視頻生成能力，使模型既理解場景結構，又生成新視角和動態內容。第三，真實場景泛化能力更強，適應復雜環境而非局限于受控數據集。

核心貢獻在于：4D 建模從依賴昂貴數據采集，轉向利用大規模真實視頻，實用性與擴展能力顯著提升。

第三條路：長時序的穩定性工程

香港科技大學（廣州）、地平線機器人、浙江大學與中南大學聯合提出的 LongStream，則把問題拉向了另一個維度：時間。

研究團隊關注的是長序列 3D 重建。現有方法在短序列或離線場景表現尚可，但處理上千幀長視頻時，注意力衰減、尺度漂移、預測誤差累積等問題集中爆發，導致重建不穩定甚至失效。

問題的根源在于：大多數自回歸模型把所有幀"錨定"到第一幀，長時間推理中不斷放大誤差。

LongStream 的解法是構建流式、規范解耦的視覺幾何模型。它不再綁定所有幀到初始幀，而是通過"關鍵幀相對建模"讓每段局部序列獨立建模，再統一到全局結構。同時，"尺度學習"與"幾何預測"解耦，防止尺度在長序列中漂移。周期性刷新緩存和流式更新機制，使模型在嚴格在線條件下穩定處理上千幀數據。

三個技術亮點：真正面向長序列的流式 3D 重建框架，在線處理上千幀；規范解耦從根本上解決尺度漂移和誤差累積；效率與穩定性平衡，可落地于自動駕駛、AR/VR 和具身智能的持續環境建模。

核心貢獻：面向長時序視頻的穩定 3D 世界建模方法，模型能在嚴格在線條件下持續構建一致表示。

判斷：三條路線在爭奪什么

把三篇論文放在一起，分歧清晰可見。

VerseCrafter 押注幾何表示的精確性，認為顯式 3D 結構是可控生成的唯一出路。NeoVerse 押注數據規模的可擴展性，認為脫離真實世界視頻的模型注定無法泛化。LongStream 押注時序推理的穩定性，認為沒有長程一致性的世界模型無法支撐持續交互。

三條路線并非互斥，而是指向同一個深層問題：世界模型的評估標準尚未統一。

VerseCrafter 用控制精度說話，NeoVerse 用泛化能力說話，LongStream 用長程穩定性說話。它們各自優化了不同的指標，卻回避了一個更困難的問題：當這些指標沖突時，如何取舍？

這種分裂反映了領域的真實狀態。世界模型研究正從"生成質量"向"建模能力"遷移，但"建模能力"本身是多維的——幾何精度、物理一致性、因果推理、可交互性、長程穩定性、數據效率——沒有單一指標能捕捉其全部。

更值得觀察的是產業信號。VerseCrafter 有騰訊應用研究中心參與，LongStream 有地平線機器人參與。這意味著技術路線的選擇，正在與具體的應用場景綁定：內容創作需要精確控制，自動駕駛需要長程穩定，通用智能需要數據可擴展。

這種分化可能是健康的。世界模型或許本就不是單一技術，而是一個技術家族，不同成員服務于不同需求。但風險同樣明顯：如果評估體系持續碎片化，研究將陷入"各說各話"的困境，難以形成有效積累。

CVPR 2026 的這批論文，價值不在于給出了答案，而在于把問題攤開了。從生成到建模的范式轉變已經啟動，但轉變的方向、節奏和終點，仍取決于接下來幾個關鍵決策：評估標準如何統一，數據基礎設施如何建設，以及產業需求與技術探索如何對齊。

如果你正在這個領域做技術選型，建議做三件事：第一，明確你的場景最依賴哪種"建模能力"——控制精度、泛化能力還是長程穩定性；第二，跟蹤評估體系的演進，它比模型架構更能決定技術路線的生死；第三，關注數據管道的建設，無論是幾何標注、野外視頻還是流式處理，數據成本正在重新劃分技術可行性的邊界。