研究团队提出实时视频世界模型World-T3

Junyi Wu等研究团队在arXiv发布预印本论文，提出相机受控的实时视频世界模型World-T3，通过测试时训练将历史视觉特征写入专用模型参数，以解决长时域视频生成中的空间记忆衰减问题。 该模型采用递归最小二乘规则按相机位姿在线更新与读取记忆，实现恒定存储和单步计算，并通过双教师分布匹配蒸馏为少步生成器。论文数据显示，在长时域重访基准测试中，World-T3将重访PSNR提升至18.31 dB，绝对旋转误差降至1.075，并在单张NVIDIA B200 GPU上以1280×704分辨率达到20.6 FPS的生成速度。

AI 根据报道生成 · 45 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。