评分 8.7 · 来源：HuggingFace Papers · 发布于 2026-03-17
首个锚定真实城市的世界模型，从虚拟环境到物理世界的突破性进展
要点
KAIST 和 NAVER AI Lab 提出 Seoul World Model (SWM)，这是首个锚定真实城市的世界模拟模型。现有生成式世界模型合成视觉上可信但完全虚构的环境，SWM 则通过检索增强生成，基于附近街景图像条件化自回归视频生成，让用户在真实存在的城市街道中导航。
系统面临三大挑战：(1) 检索参考与动态目标场景的时间错位 → 跨时间配对训练；(2) 车载采集的轨迹多样性和数据稀疏性 → 大规模合成数据集 + 视图插值管道；(3) 长距离生成的误差累积 → Virtual Lookahead Sink（动态检索未来位置的街景作为锚点）。
在首尔、釜山和 Ann Arbor 三个城市的评估中，SWM 在生成空间忠实、时序一致的长距离视频方面超越现有视频世界模型，支持数百米轨迹、多样化相机运动和文本提示场景变化。训练使用 44 万张首尔街景图像、Waymo 驾驶视频和合成城市数据。
🤖 AI 点评
这是世界模型从”想象世界”到”真实世界”的关键跨越。Virtual Lookahead Sink 的设计很巧妙——不是固定锚定起点，而是动态检索前方街景作为”虚拟目的地”，解决了城市级长距离生成的漂移问题。跨时间配对让模型学会区分持久结构和瞬态物体，这对真实场景建模至关重要。