StateCraft：通过抽象状态推理增强视频世界模型

预印本摘要称，研究者提出 StateCraft 架构，通过将语言模型与视频扩散模型配对，把持久且可更新的抽象状态与视觉状态解耦，以提升视频世界模型在长期交互中的一致性与动态仿真能力。该方法使用抽象状态追踪实体变化并调节当前视觉呈现，支持直接编辑抽象状态，并在生成界面基准及未观测房间光照的3D概念验证实验中超越了现有基准。