世界模型与视频生成的边界

视频生成与世界模型的边界，不在于画面是否足够逼真，而在于模型是否具备对“世界状态”的持续建模能力。传统视频生成主要根据文本、图像或前序帧预测后续画面，目标是形成视觉上连贯的序列；世界模型则需要表示场景中的空间关系、对象状态与变化规律，并根据用户行动预测可能发生的结果。

因此，一段看起来连续的视频，并不能直接证明模型理解了世界。真正的分界线包括三个维度：第一，空间一致性是否稳定，物体在不同视角和时间中的位置、尺度与遮挡关系能否保持；第二，状态是否具有持久性，用户改变环境后，变化能否继续影响后续场景，而不是每一帧重新“猜测”；第三，模型能否响应行动并进行反事实预测，例如用户移动、抓取或改变视角后，场景是否按照相对稳定的规则演化。

据相关信息，字节跳动正尝试将基于 Seedance 的视频生成能力延伸到实时空间视频，并探索与 Pico 头显协同。这一方向的关键，不是把平面视频搬进头显，而是让模型根据用户的视角和交互即时生成可探索的环境。直播、短剧和游戏因此成为较自然的试验场：它们既需要动态画面，也需要场景对输入作出响应。

但“实时生成空间视频”仍不等于完整的世界模型。前者可以先解决视觉呈现与局部交互，后者还要面对长期记忆、物理合理性、跨视角一致性和行动规划等更高要求。若模型只能生成漂亮但不可持续、不可预测的场景，它更接近三维视频生成器，而不是世界模拟器。

判断这类项目是否越过边界，应关注可验证的能力：场景状态能否被保存和修改，交互结果是否具有一致规则，模型能否在未见过的动作下保持合理预测，以及实时推理成本是否足以支撑产品化。世界模型的价值，最终不由演示画面的冲击力决定，而由它能否让一个环境持续存在、接受行动并产生可信后果来决定。