Sora 作为世界模型？文生视频生成的全面综述
人工智能
2026-01-22 v3 计算机视觉与模式识别
摘要
从动画化 MNIST 到利用 Sora 模拟世界，文生视频技术的演进速度极快。在此，我们系统地讨论了文生视频生成技术在多大程度上支持世界建模的基本要求。我们精选了 250 多项关于基于文本的视频合成和世界建模的研究。我们观察到，最近的模型通过遵循完整性、一致性、创造性以及人机交互与控制，日益支持世界建模中的空间、动作和战略智能。我们得出结论，文生视频生成擅长世界建模，尽管在多样性与一致性的权衡等方面仍有待解决的工作。
引用
@article{arxiv.2403.05131,
title = {Sora as a World Model? A Complete Survey on Text-to-Video Generation},
author = {Fachrina Dewi Puspitasari and Chaoning Zhang and Joseph Cho and Adnan Haider and Noor Ul Eman and Omer Amin and Alexis Mankowski and Muhammad Umair and Jingyao Zheng and Sheng Zheng and Lik-Hang Lee and Caiyan Qin and Tae-Ho Kim and Choong Seon Hong and Yang Yang and Heng Tao Shen},
journal= {arXiv preprint arXiv:2403.05131},
year = {2026}
}
备注
First complete survey on Text-to-Video Generation from World Model perspective, 35 pages