视频生成有个老毛病，镜头一动就 " 穿帮 "，终于有了靠谱的解法。
浙大联合微软亚洲研究院最新提出的World-R1，不改架构、不要 3D 数据，纯靠强化学习就让视频生成模型学会了 " 理解 " 三维世界。
现在的视频生成模型，画面精美是精美了，但有个致命伤：不懂三维。
你让镜头转个弯，建筑就扭了；推进去看个近景，物体就消失了。
本质上，这些模型只是在二维像素层面做统计拟合，根本不理解眼前的世界是个三维空间。
以前的解法呢？往模型里硬塞 3D 模块，但代价是推理成本飙升、泛化能力变差，而且只能做图生视频，文生视频根本搞不定。
World-R1 的思路：不改架构，靠 RL" 唤醒 "
World-R1 的出发点很简单：
预训练的视频模型里面已经有 3D 知识了，只是 " 沉睡 " 着。用强化学习把它叫醒就行。
具体怎么操作？三板斧。
别人控制相机运动，需要额外训练一个控制网络。
World-R1 说：不需要。
它从文字里提取运动关键词（比如 "push in""orbit left"），生成相机轨迹，然后通过光流投影，直接把运动信息编码进扩散模型的初始噪声里。
一行代码不改，一个参数不加，相机就能跟着文字走。
第二斧：让 3D 模型当 " 裁判 "
RL 的核心是奖励函数。
World-R1 设计了一套四维复合奖励：元视角评分，用 Depth Anything 3 把视频 " 抬 " 成 3D 高斯溅射，再从一个完全不同的角度去看。
正面看没问题？换个角度可能就 " 露馅 " 了。
用 Qwen3-VL 当评审员，专门抓 " 纸片人 "。
重建保真度，3D 重建完再渲染回去，跟原视频逐像素比对。
轨迹对齐度，看生成的相机运动有没有老实听话。
通用画质，HPSv3 打分，确保画面不变丑。
第三斧：让模型 " 又硬又软 "
纯追求 3D 一致性会出问题：行人不会走路了，旗帜不会飘了，整个世界像冻住了一样。
World-R1 的解法是周期性解耦训练：正常阶段，用完整奖励猛练几何一致性；
每 100 步，切换到 " 动态专场 "，只用通用奖励在高动态数据上训练。
效果直接建筑稳如泰山，旗帜照样飘。
3000 条纯文本，没有一帧视频
你可能会问：训练数据从哪来？
答案是：不要视频，不要 3D 资产，纯文本就够了。
研究团队用 Gemini 生成了约 3000 条高质量场景描述，涵盖峡谷、城市、深海、蘑菇森林等各类场景，按相机运动难度分了三级。
模型就这样在 " 纯想象 " 中，学会了真实世界的物理规律。
实验数据
基于 Wan 2.1 训练了两个版本：World-R1-Small（1.3B）和 World-R1-Large（14B）。
3D 一致性
画质不降反升
而那些装了额外相机控制模块的方法（ReCamMaster、DAS），美学质量只有 38～42 分。
3D 增强了，画质也更好了，鱼和熊掌兼得！
眼见为实
消融：每一刀都切在要害上
去掉通用生成奖励，画面美学肉眼可见地劣化；
去掉噪声包裹的隐式相机控制，收敛速度慢了一倍；
去掉周期性解耦训练，动态场景的生成能力几乎全废。
四个组件环环相扣，缺一不可。
World-R1 让视频模型 " 理解 " 三维世界，不必推倒重来——
只需用正确的奖励信号，唤醒它已有的空间感知。
论文链接：https://arxiv.org/abs/
项目主页：https://aka.ms/world-r1
代码：https://github.com/microsoft/World-R1
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
— 完 —
我们正在招聘一名眼疾手快、关注 AI 的学术编辑实习生
感兴趣的小伙伴欢迎关注 了解详情
科技前沿进展每日见
