WorldAlign：用解耦的 4D 奖励，让生成视频真正守住“世界一致性”

视频生成模型这两年的进步，几乎都发生在“看起来像”这个维度上：纹理更细，光影更顺，镜头更稳。但当人们开始把它们当作世界模拟器，用来做机器人预演、游戏场景或具身智能的训练环境时，问题就变了。一个模拟器不只要好看，还要守规矩。同一面墙，镜头绕过去再绕回来，不能变形；同一个人，走了十秒，脸和衣服不能悄悄换样。WorldAlign 这篇论文把这件事概括为 4D 世界一致性：三维空间里的结构要稳，时间这一维上的运动与外观也要稳。前者叫静态一致性，后者叫动态一致性。作者团队是 Jing He、Kaixin Ding、Xingye Tian、Guibao Shen、Wenhang Ge 等人，论文发布于 2026 年 10 月 8 日，主类别为 cs.CV。

要提高一致性，一条自然的路是几何感知的后训练：先生成视频，再用几何模型估计深度和相机位姿，把一帧重投影到另一帧，看误差有多大，用误差当奖励去调整生成器。这条路有两个老毛病。第一，它默认场景是静止的。一旦画面里有人在走、车在开，重投影就会把正常的运动误判成几何错误，奖励反而会惩罚真实的动态。第二，即使有些方法勉强容纳了动态场景，它们给出的静态一致性反馈也不可靠，因为静态与动态的像素混在一起算误差。至于动态一致性，也就是运动是否合理、外观是否前后一致，现有工作往往干脆不管，或者只用很粗的指标去衡量。

WorldAlign 的核心想法很朴素：既然静态和动态遵循的假设不同，就别用同一把尺子量。它先在语义层面把画面分成静态区域和动态主体，再让每一部分去对齐最适合自己的“世界先验”。对静态区域，先验是几何世界先验。系统用语义引导的掩码重投影，只在被判定为静态的像素上计算跨视角的几何对齐，运动的主体被排除在外，所以反馈更干净、更可靠。这里还有一个很实际的补丁：只奖励几何一致，模型会发现最省力的办法是让画面几乎不动，重投影误差自然很小。作者因此加入了辅助的相机运动奖励，专门惩罚这种近乎静止的解，迫使模型在保持几何一致的前提下真正移动视角。这是一个典型的奖励投机防御，也提醒我们，任何单一可计算指标都会被优化器找到漏洞。

对动态主体，几何先验帮不上忙，因为运动是否合理不是几何问题，而是常识与物理问题。作者的选择是把一个强大的视觉语言模型当作动态世界先验，让它做“评委”。关键设计是样本专属的检查清单：针对每一段生成视频，先生成一组具体问题，再逐项评估动态性、物理合理性、形状一致性和纹理一致性。动态性问的是该动的东西有没有动；物理合理性问的是动作是否符合重力、接触与惯性；形状与纹理则盯住主体在时间轴上有没有变形或换皮。用清单而不是一个笼统的打分，能把评委的注意力钉在具体证据上，也让奖励更容易解释和排查。更重要的是，这套流程不需要人类偏好标注，两路奖励都由先验自己给出，因此可以做在线后训练，降低了数据成本。

实验部分，论文在两个预训练的图生视频模型 Wan2.1 与 Wan2.2 上验证，结论是 WorldAlign 同时改善了静态和动态一致性，并且没有靠压低整体运动或主体运动来换取分数。最后这一点很关键，因为许多一致性方法的“提升”其实来自让画面更呆板。当然，仅凭摘要我们还看不到具体数值、消融细节和计算开销，这些需要读原文与项目页确认。从方法上看，仍有几点值得追问：视觉语言模型评委本身有偏见与不稳定，奖励质量受限于它；语义分割若把静态和动态分错，掩码重投影会引入噪声；几何先验在反光、透明或极端视角下也会失效。即便如此，这篇工作给出的原则很有价值：当世界由不同性质的部分组成时，奖励也该按性质拆开，各自对齐合适的先验。这条思路有望延伸到更长的视频、多主体交互，乃至真正可用的视觉世界模拟。

对行业来说，这项工作还有一层容易被忽视的意义：它把“评估”与“训练信号”合二为一。过去，世界一致性多半只是事后评测的指标，模型发布后才有人去量。WorldAlign 把同样的评判直接变成奖励，在训练过程中就让模型承受后果。这意味着评测基准与优化目标之间的距离被缩短，但也意味着基准一旦被钻空子，代价会立刻传导到模型本身。对想把视频生成用于机器人、自动驾驶仿真或影视预演的团队而言，更稳妥的做法是同时保留独立的人工抽查与第三方指标，把这类自动奖励当作提效工具，而不是质量的唯一裁判。此外，解耦设计还带来了工程上的好处：静态与动态两路奖励可以分别调权重、分别替换先验。几何模型升级时只需换掉前一路，视觉语言模型换代时只需换掉后一路，不必整体重训。这种模块化的奖励结构，比把所有要求揉进一个黑箱分数更容易维护，也更容易定位问题出在哪一环。