Meta 提出 World-T³，把長時記憶寫進引數並實現單卡即時生成
Meta 提出相機可控影片世界模型 World-T³，用測試時訓練把滑出上下文視窗的歷史觀測寫入快速權重，緩解長時生成中的失憶。在 120 段“去程+返程”基準上，重訪 PSNR 從 13.52 dB 升至 18.31 dB，絕對旋轉誤差從 3.344°降至 1.075°。經雙教師蒸餾的 4 步模型在單張 B200 上以 1280×704 解析度達到 20.6 FPS，生成中記憶持續更新，並在 6 項重訪一致性指標上均列第一。
World-T³用固定大小引數化記憶替代越存越多的歷史，在單卡 B200 上兼顧長時重訪與 20.6 FPS 即時生成，對影片世界模型和即時互動生成研究者有參考價值。
原標題：视频世界模型终于不「失忆」了！Meta提出World-T³：把记忆写进参数，单卡20.6FPS实时生成
閱讀原文
| 評分 | 78 / 76（平均 77，門檻 65） |
|---|---|
| 狀態 | 精選 |
相關報導
浙大等發布 WorldMemBench，評測影片世界模型記憶
浙江大學、復旦大學、螞蟻集團與南京大學團隊推出 WorldMemBench，用可控的“離開—回訪”鏡頭評測影片世界模型的記憶。基準含 260 個案例、23 個內容類別，分靜態記憶、動態記憶及影片品質、相機跟隨四個維度，測試了 HY-WorldPlay、LingBot-World 等九個模型。結果顯示靜態與動態記憶的強項分化：HY-WorldPlay 七項靜態指標全部領先，LingBot-World 動態記憶總分最高；
TerraVis 提出文生圖世界一致性評估，18 類檢查項已開放線上體驗
被 NeurIPS 2026 接收的 TerraVis 提出文生圖「世界一致性」評估框架，用物體、互動、場景三層共 18 類檢查衡量影像在結構、空間、物理與常識上是否合理，只輸入影像、不依賴提示詞。在 COCO-T2I 與 GenAI-Bench 上，它與人類評分的 Spearman 相關係數為 0.44 和 0.43，高於現有指標中最好的 RAHF（0.29 和 0.37）；
Google 發布 Genie 4 世界模型，原生多模態可即時生成音訊與對話
Google 發布新一代世界模型 Genie 4，原生多模態，在生成畫面的同時產出音樂、環境音與互動對話，並支援用自然語言即時修改天氣、鏡頭或加入人物物體。它建立在 Gemini 家族能力之上：Gemini Omni 讓模擬貼近真實世界的外觀與行為，其他 Gemini 模型負責維持場景的連貫與連續。
港科大等發布首篇自迴歸影片生成 Memory 綜述，110 頁
香港科技大學、香港城市大學、復旦、CMU、NYU、NTU 等機構聯合發布 110 頁綜述《The Past Frames the Future: Memory for Autoregressive Video Generation》，系統梳理自迴歸影片生成中的 Memory 機制。
360M 模型微調成終端，可在瀏覽器跑 vim 與貪吃蛇
作者用 Qwen2.5-Coder-0.5B 微調出 360M 引數模型 WorldTUI，它背後沒有 shell 和檔案系統，只根據每次按鍵預測終端螢幕變化，能建立檔案、執行 vim 與 tmux、玩貪吃蛇。訓練資料由 Docker 中錄製的真實終端會話合成，共 33.6 萬段、約 20 億 token，其中 35% 的會話從任務中途開始；推理使用僅 333 個 token 的小詞表，COPY 行操作把滾動重繪從約 3000 token 降到每行 3 個。