浙大与微软联手推出3000条文本数据集，解决AI视频生成3D穿帮难题
视频生成模型的画面质量日益精进，但一个顽固问题始终存在：一旦镜头移动，画面就容易出现扭曲、变形或物体消失等“穿帮”现象。其根本原因在于，多数模型仅在二维像素层面进行数据拟合，并未真正理解其生成内容所处的三维空间结构。
传统解决方案通常是为模型强行加入3D感知模块，但这往往导致计算成本激增、泛化能力受限，且多局限于图生视频任务，难以应用于文生视频场景。那么，能否在不改变模型架构的前提下，有效提升其三维理解能力？
浙江大学与微软亚洲研究院联合提出的World-R1，提供了一条创新路径：不修改模型结构，不依赖3D标注数据，仅通过强化学习技术，即可“唤醒”视频生成模型内在的三维世界先验知识。
World-R1 核心原理：不改变架构，用强化学习激活3D感知
World-R1的出发点颇具巧思：经过大规模预训练的视频扩散模型，其内部已隐含着丰富的三维空间知识，只是这些知识处于“休眠”状态。研究团队的目标，是借助强化学习作为“触发器”，将这些潜在的3D理解能力激活。
具体实现过程可归纳为三个关键步骤。
第一步：将相机运动轨迹编码至初始噪声
传统方法控制相机运动通常需训练额外网络。World-R1则采用“零修改”集成策略。
具体而言，模型从输入文本中解析描述相机运动的关键词（如“推进”、“环绕左转”），并据此生成相应相机轨迹。随后，通过光流投影技术，将运动信息直接编码到扩散过程的初始噪声中。这意味着无需调整任何模型代码或增加参数，生成过程即可依据文本指令实现自然的镜头运动。
第二步：构建多维度奖励评估体系
强化学习的效果关键在于奖励函数设计。World-R1为此设计了一套四维复合奖励机制，从多角度评估生成视频的三维合理性：
多视角一致性评分：利用Depth Anything 3模型估计深度，将视频转换为3D高斯溅射表示，然后从与生成视角截然不同的新角度进行渲染和评估。这相当于让模型自我检查：正面观看无误时，侧面视角是否依然合理？
运动动态合理性评审：调用Qwen3-VL等强大视觉语言模型作为“评审”，专门识别视频中物体运动是否符合物理规律，检测是否存在动作僵硬的异常现象。
三维重建保真度评估：对生成视频进行3D重建，再将其渲染回2D画面，与原始视频帧进行像素级比对，确保三维结构的一致性能够准确映射到二维视觉表现。
轨迹对齐与通用画质保障：评估生成的相机运动是否准确遵循指令，同时使用HPSv3等指标确保在优化3D一致性的过程中，画面美学质量得以维持。
整套奖励通过创新的Flow-GRPO框架进行高效优化。
第三步：采用周期性解耦训练策略
过度追求3D一致性可能导致副作用：为保持几何稳定，所有物体动态消失，场景失去活力。
为此，World-R1引入了周期性解耦训练。在常规训练阶段，使用完整奖励函数集中优化几何一致性；每经过100步训练，则切换到“动态增强”阶段，在此期间仅使用通用画质奖励，并在高动态场景数据上进行训练。这种“一张一弛”的策略，最终实现了建筑结构稳定、同时旗帜飘扬等动态自然的效果。
训练数据：无需视频，仅凭文本描述
你可能会问，训练此类模型需要多少带3D或运动标注的视频数据？答案令人惊讶：完全不需要。
研究团队利用Gemini大模型生成了约3000条高质量、多样化的场景文本描述，涵盖峡谷、城市、深海、蘑菇森林等多种环境，并按相机运动复杂度分为三个等级。模型正是在学习这些“文本想象”的过程中，领悟了真实世界的三维物理规律。
实验结果：3D一致性显著提升，画质同步优化
研究基于Wan 2.1模型训练了两个版本：参数为1.3B的World-R1-Small和14B的World-R1-Large。
三维一致性实现飞跃
在衡量3D一致性的关键指标上，Small版相比基线模型的PSNR提升了10.23 dB，Large版提升了7.91 dB。反映感知差异的LPIPS指标则从0.467显著降低至0.201。这表明视频中的几何扭曲和结构失真问题得到了极大改善。
美学与成像质量全面超越基线
更令人惊喜的是，优化3D一致性并未牺牲画质。在VBench评测中，World-R1-Small在美学质量和成像质量上分别达到65.74和67.53分，全面超越了基线Wan 2.1-1.3B。相比之下，那些需要额外添加相机控制模块的方法，美学得分普遍在38-42分之间。真正做到了三维稳定性与视觉美感的双重提升。
视觉效果对比鲜明
从3D重建的点云图可以直观看出差异：基线模型生成内容的重建结果结构散乱，而World-R1生成结果的点云则清晰地呈现出完整、连贯的建筑结构形态。
消融实验：验证各核心组件的必要性
消融实验结论明确，证实了系统设计的有效性：
移除3D感知奖励，几何一致性显著下降；
去掉通用生成奖励，画面美学质量明显降低；
放弃基于噪声编码的隐式相机控制，模型收敛速度大幅减慢；
取消周期性解耦训练策略，模型生成动态场景的能力几乎丧失。
这四个核心组件相互支撑，缺一不可。
World-R1的研究揭示了一个富有前景的方向：提升视频生成模型的三维世界理解能力，未必需要重构架构或强行植入复杂模块。通过精心设计的强化学习奖励机制，完全有可能激活模型内部已有的空间感知潜力，以更高效、更低成本的方式，解决长期存在的镜头运动“穿帮”难题，推动AI视频生成技术向更高维度的真实感迈进。
相关攻略
作为长期使用Windows系统的资深用户，你一定对文件资源管理器中的“属性”对话框非常熟悉。它是我们查看文件详细信息、管理安全权限的核心入口。但你可能未曾察觉，这个看似基础的窗口界面，其设计雏形竟可追溯至近三十年前的Windows 95时代。如今，微软终于决定为这一“历史组件”赋予全新的现代化面貌。
2026年第一季度，一份提交至美国证券交易委员会（SEC）的文件披露了一项标志性资产变动：比尔及梅琳达·盖茨基金会信托已将其持有的全部剩余微软股票——约770万股，价值约32亿美元——悉数出售。此举标志着，这家由微软联合创始人捐资设立、全球规模最大的私人慈善基金会，与这家科技巨头之间维系数十年的核心
微软针对Windows 11小组件的未来规划已清晰浮现：核心策略是做减法。其根本目的在于减少干扰，致力于打造一个更安静、更专注的用户体验。按照官方路线图，自2026年起，用户将逐步感受到这些以提升工作效率为核心的设计变革。 具体有哪些优化措施？首先，最重大的改变是资讯流的默认状态。调整后，小组件面板
部分Windows11设备安装5月累积更新时，进度会卡在35%至36%，并显示错误代码0x800f0922。微软确认该问题与EFI系统分区剩余空间不足10MB有关。临时解决方案包括：普通用户可通过修改注册表键值“EspPaddingPercent”为0；企业用户则可应用组策略中的“已知问题回滚”策略来暂时规避。
如果你希望最大程度地减少Windows 11向微软发送的诊断数据，那么下面这五个步骤，可以说是目前最全面、最底层的操作指南了。它从用户界面设置一路深入到系统服务和注册表，旨在帮你把那些默认开启的、持续收集设备性能、应用行为乃至使用习惯的“遥测”通道，逐一关闭。 一、将诊断数据级别设为“基本”并关闭可
热门专题
热门推荐
为庆祝品牌投身赛车运动整整125年，斯柯达正式推出了晶锐Fabia Motorsport Edition特别版。这款车基于Fabia 130打造，设计灵感直接来源于征战赛场的Fabia RS Rally2拉力赛车，整体风格充满了对赛事历史的致敬意味。不过，得先说明白，它的升级重点主要落在了外观和底盘
Grayscale 通过其以太坊质押 ETF 质押了 102,400 个 ETH，价值 2 37 亿美元 先来看一组数据：资产管理巨头 Grayscale 最近通过其以太坊质押 ETF，一口气质押了超过10万个 ETH，价值约2 37亿美元。这个动作本身不小，但更有意思的是市场的后续反应——或者说，
劳斯莱斯库里南自问世以来，始终是超豪华全尺寸SUV领域的标杆。对于追求极致安全又不愿牺牲低调气质的高净值人士而言，如何实现“隐形”的顶级防护，一直是核心诉求。如今，加拿大专业防弹车制造商Inkas，以一款近乎“零痕迹”改装的库里南，给出了完美解决方案——一座移动的“隐形堡垒”。 区别于常见的外露装甲
新加坡维塔士工作室正考虑将《侠盗猎车手V》与《荒野大镖客：救赎2》移植至任天堂Switch平台。该团队拥有丰富的移植经验，曾成功负责多款游戏的跨平台适配。这两款作品全球销量巨大，若能登陆Switch，其便携特性可能成为新的市场增长点。
当高尔夫GTI迎来五十周年里程碑，传奇的纽博格林北环赛道成为其致敬历史与展望未来的最佳舞台。这里不仅铭刻了燃油性能图腾的巅峰时刻，也正式开启了电动GTI的新纪元。近日，大众汽车正式宣布，高尔夫GTI 50周年版在纽北创下全新纪录，荣膺最快前驱量产车称号；与此同时，品牌首款纯电动GTI车型——ID