VideoWorld 是什么
VideoWorld 被介绍为一个从无标签视频中学习复杂知识的深度生成模型,采用自回归视频生成技术。
你可以用它做什么
- 从视觉输入中学习任务规则与操作
- 用 LDM 表示多步视觉变化
- 由前一帧生成新的视频帧
上手流程
- 下载开源代码和数据
- 用 VQ-VAE 把视频帧转换为离散 token
- 以下一帧预测范式训练自回归 Transformer
- 生成新帧并从中提取任务操作
优点与缺点
✓ 我们认可的地方
- 提供开源代码和数据
- 资料称在视频围棋任务中达到 5 段职业水平
! 需要留意的地方
- 学习起点是无标签的视频输入
- 资料记录的流程使用视频帧离散 token
常见问题
核心模型是什么?
资料提到用于表示多步视觉变化的潜在动态模型(LDM)。
开放了什么?
功能列表列出开源代码和数据。
最后评测: 2026-11-15