Una Visión Mecanicista de la Generación de Vídeo como Modelos del Mundo: Estado y Dinámica
A Mechanistic View on Video Generation as World Models: State and Dynamics
January 22, 2026
Autores: Luozhou Wang, Zhifei Chen, Yihua Du, Dongyu Yan, Wenhang Ge, Guibao Shen, Xinli Xu, Leyi Wu, Man Chen, Tianshuo Xu, Peiran Ren, Xin Tao, Pengfei Wan, Ying-Cong Chen
cs.AI
Resumen
Los modelos de generación de vídeo a gran escala han demostrado una coherencia física emergente, posicionándolos como posibles modelos del mundo. Sin embargo, persiste una brecha entre las arquitecturas de vídeo contemporáneas "sin estado" y las teorías clásicas de modelos del mundo centradas en el estado. Este trabajo salva esta brecha proponiendo una taxonomía novedosa centrada en dos pilares: Construcción del Estado y Modelado de la Dinámica. Clasificamos la construcción del estado en paradigmas implícitos (gestión del contexto) y paradigmas explícitos (compresión latente), mientras que el modelado de la dinámica se analiza a través de la integración de conocimiento y la reformulación arquitectónica. Además, abogamos por una transición en la evaluación, desde la fidelidad visual hacia criterios funcionales, que pongan a prueba la persistencia física y el razonamiento causal. Concluimos identificando dos fronteras críticas: mejorar la persistencia mediante memoria basada en datos y fidelidad comprimida, y avanzar en la causalidad mediante el desacoplamiento de factores latentes y la integración de conocimientos previos de razonamiento. Al abordar estos desafíos, el campo puede evolucionar desde la generación de vídeos visualmente plausibles hacia la construcción de simuladores del mundo robustos y de propósito general.
English
Large-scale video generation models have demonstrated emergent physical coherence, positioning them as potential world models. However, a gap remains between contemporary "stateless" video architectures and classic state-centric world model theories. This work bridges this gap by proposing a novel taxonomy centered on two pillars: State Construction and Dynamics Modeling. We categorize state construction into implicit paradigms (context management) and explicit paradigms (latent compression), while dynamics modeling is analyzed through knowledge integration and architectural reformulation. Furthermore, we advocate for a transition in evaluation from visual fidelity to functional benchmarks, testing physical persistence and causal reasoning. We conclude by identifying two critical frontiers: enhancing persistence via data-driven memory and compressed fidelity, and advancing causality through latent factor decoupling and reasoning-prior integration. By addressing these challenges, the field can evolve from generating visually plausible videos to building robust, general-purpose world simulators.