世界模型走出实验室：CVPR 2026的范式之争

一位研究员正在调试视频生成模型。他设定了一段相机环绕物体的轨迹，却发现生成的画面中物体形状在漂移，背景结构在扭曲，物理规律时而被遵守，时而被打破。这不是技术细节的问题，而是整个范式的问题：我们究竟在拟合像素，还是在建模世界？

CVPR 2026 上，五篇核心论文给出了截然不同的答案。它们之间的分歧，构成了当前世界模型研究最真实的图景。

正方：4D 几何是必由之路

复旦大学、香港大学与腾讯应用研究中心联合提出的 VerseCrafter，代表了第一条技术路线：用显式几何结构重建世界。

研究团队发现，现有视频生成模型困在 2D 图像空间里，导致相机运动和多物体运动无法统一控制，生成结果稳定性差。他们的解法是将视频表示为"3D 空间 + 时间"的统一世界状态，而非逐帧像素。

具体而言，VerseCrafter 提出"4D 几何控制表示"：用静态背景点云描述场景结构，用带时间信息的 3D 高斯轨迹描述动态物体。几何信息被转化为控制信号输入视频扩散模型，使最终输出严格遵循设定的相机路径和物体运动。

这项工作的三个技术亮点值得拆解。第一，它实现了从 2D 像素生成向 4D 几何建模范式的转变。第二，它在同一框架下统一控制相机运动与多物体运动，相比依赖 2D 轨迹或边界框的旧方法更灵活一致。第三，显式 3D 结构和时间约束显著提升了时序一致性，长视频生成更加连贯。

核心贡献可以概括为：视频生成从"基于像素的合成"转向"基于结构的生成"，可控性与稳定性明显提升。

反方：真实世界的数据才是瓶颈

中国科学院自动化研究所与 CreateAI 的 NeoVerse，则对"几何优先"路线提出了直接挑战。

研究团队指出，现有 4D 世界模型往往依赖多视角数据或复杂预处理，扩展性差，难以利用真实世界中大量随手拍摄的单目视频。这是一个被忽视但更根本的瓶颈：不是建模范式不对，而是数据获取成本太高。

NeoVerse 的核心思路是用"自然场景中的单目视频"构建 4D 世界模型。模型从普通视频中恢复场景 3D 结构，并建模随时间变化的动态信息，实现完整 4D 表示。在此基础上，它既能进行 4D 重建，也能生成新相机轨迹视频，支持多种下游任务。

三个亮点构成了它的技术主张。第一，突破对多视角或专用数据的依赖，直接用"野外采集"的单目视频训练，大幅提升可扩展性和数据可获得性。第二，统一 4D 重建与视频生成能力，使模型既理解场景结构，又生成新视角和动态内容。第三，真实场景泛化能力更强，适应复杂环境而非局限于受控数据集。

核心贡献在于：4D 建模从依赖昂贵数据采集，转向利用大规模真实视频，实用性与扩展能力显著提升。

第三条路：长时序的稳定性工程

香港科技大学（广州）、地平线机器人、浙江大学与中南大学联合提出的 LongStream，则把问题拉向了另一个维度：时间。

研究团队关注的是长序列 3D 重建。现有方法在短序列或离线场景表现尚可，但处理上千帧长视频时，注意力衰减、尺度漂移、预测误差累积等问题集中爆发，导致重建不稳定甚至失效。

问题的根源在于：大多数自回归模型把所有帧"锚定"到第一帧，长时间推理中不断放大误差。

LongStream 的解法是构建流式、规范解耦的视觉几何模型。它不再绑定所有帧到初始帧，而是通过"关键帧相对建模"让每段局部序列独立建模，再统一到全局结构。同时，"尺度学习"与"几何预测"解耦，防止尺度在长序列中漂移。周期性刷新缓存和流式更新机制，使模型在严格在线条件下稳定处理上千帧数据。

三个技术亮点：真正面向长序列的流式 3D 重建框架，在线处理上千帧；规范解耦从根本上解决尺度漂移和误差累积；效率与稳定性平衡，可落地于自动驾驶、AR/VR 和具身智能的持续环境建模。

核心贡献：面向长时序视频的稳定 3D 世界建模方法，模型能在严格在线条件下持续构建一致表示。

判断：三条路线在争夺什么

把三篇论文放在一起，分歧清晰可见。

VerseCrafter 押注几何表示的精确性，认为显式 3D 结构是可控生成的唯一出路。NeoVerse 押注数据规模的可扩展性，认为脱离真实世界视频的模型注定无法泛化。LongStream 押注时序推理的稳定性，认为没有长程一致性的世界模型无法支撑持续交互。

三条路线并非互斥，而是指向同一个深层问题：世界模型的评估标准尚未统一。

VerseCrafter 用控制精度说话，NeoVerse 用泛化能力说话，LongStream 用长程稳定性说话。它们各自优化了不同的指标，却回避了一个更困难的问题：当这些指标冲突时，如何取舍？

这种分裂反映了领域的真实状态。世界模型研究正从"生成质量"向"建模能力"迁移，但"建模能力"本身是多维的——几何精度、物理一致性、因果推理、可交互性、长程稳定性、数据效率——没有单一指标能捕捉其全部。

更值得观察的是产业信号。VerseCrafter 有腾讯应用研究中心参与，LongStream 有地平线机器人参与。这意味着技术路线的选择，正在与具体的应用场景绑定：内容创作需要精确控制，自动驾驶需要长程稳定，通用智能需要数据可扩展。

这种分化可能是健康的。世界模型或许本就不是单一技术，而是一个技术家族，不同成员服务于不同需求。但风险同样明显：如果评估体系持续碎片化，研究将陷入"各说各话"的困境，难以形成有效积累。

CVPR 2026 的这批论文，价值不在于给出了答案，而在于把问题摊开了。从生成到建模的范式转变已经启动，但转变的方向、节奏和终点，仍取决于接下来几个关键决策：评估标准如何统一，数据基础设施如何建设，以及产业需求与技术探索如何对齐。

如果你正在这个领域做技术选型，建议做三件事：第一，明确你的场景最依赖哪种"建模能力"——控制精度、泛化能力还是长程稳定性；第二，跟踪评估体系的演进，它比模型架构更能决定技术路线的生死；第三，关注数据管道的建设，无论是几何标注、野外视频还是流式处理，数据成本正在重新划分技术可行性的边界。