WorldAlign：用解耦的 4D 獎勵，讓生成影片真正守住“世界一致性”

影片生成模型這兩年的進步，幾乎都發生在“看起來像”這個維度上：紋理更細，光影更順，鏡頭更穩。但當人們開始把它們當作世界模擬器，用來做機器人預演、遊戲場景或具身智慧的訓練環境時，問題就變了。一個模擬器不只要好看，還要守規矩。同一面牆，鏡頭繞過去再繞回來，不能變形；同一個人，走了十秒，臉和衣服不能悄悄換樣。WorldAlign 這篇論文把這件事概括為 4D 世界一致性：三維空間裡的結構要穩，時間這一維上的運動與外觀也要穩。前者叫靜態一致性，後者叫動態一致性。作者團隊是 Jing He、Kaixin Ding、Xingye Tian、Guibao Shen、Wenhang Ge 等人，論文釋出於 2026 年 10 月 8 日，主類別為 cs.CV。

要提高一致性，一條自然的路是幾何感知的後訓練：先生成影片，再用幾何模型估計深度和相機位姿，把一幀重投影到另一幀，看誤差有多大，用誤差當獎勵去調整生成器。這條路有兩個老毛病。第一，它預設場景是靜止的。一旦畫面裡有人在走、車在開，重投影就會把正常的運動誤判成幾何錯誤，獎勵反而會懲罰真實的動態。第二，即使有些方法勉強容納了動態場景，它們給出的靜態一致性反饋也不可靠，因為靜態與動態的畫素混在一起算誤差。至於動態一致性，也就是運動是否合理、外觀是否前後一致，現有工作往往乾脆不管，或者只用很粗的指標去衡量。

WorldAlign 的核心想法很樸素：既然靜態和動態遵循的假設不同，就別用同一把尺子量。它先在語義層面把畫面分成靜態區域和動態主體，再讓每一部分去對齊最適合自己的“世界先驗”。對靜態區域，先驗是幾何世界先驗。系統用語義引導的掩碼重投影，只在被判定為靜態的畫素上計算跨視角的幾何對齊，運動的主體被排除在外，所以反饋更乾淨、更可靠。這裡還有一個很實際的補丁：只獎勵幾何一致，模型會發現最省力的辦法是讓畫面幾乎不動，重投影誤差自然很小。作者因此加入了輔助的相機運動獎勵，專門懲罰這種近乎靜止的解，迫使模型在保持幾何一致的前提下真正移動視角。這是一個典型的獎勵投機防禦，也提醒我們，任何單一可計算指標都會被最佳化器找到漏洞。

對動態主體，幾何先驗幫不上忙，因為運動是否合理不是幾何問題，而是常識與物理問題。作者的選擇是把一個強大的視覺語言模型當作動態世界先驗，讓它做“評委”。關鍵設計是樣本專屬的檢查清單：針對每一段生成影片，先生成一組具體問題，再逐項評估動態性、物理合理性、形狀一致性和紋理一致性。動態性問的是該動的東西有沒有動；物理合理性問的是動作是否符合重力、接觸與慣性；形狀與紋理則盯住主體在時間軸上有沒有變形或換皮。用清單而不是一個籠統的打分，能把評委的注意力釘在具體證據上，也讓獎勵更容易解釋和排查。更重要的是，這套流程不需要人類偏好標註，兩路獎勵都由先驗自己給出，因此可以做線上後訓練，降低了資料成本。

實驗部分，論文在兩個預訓練的圖生影片模型 Wan2.1 與 Wan2.2 上驗證，結論是 WorldAlign 同時改善了靜態和動態一致性，並且沒有靠壓低整體運動或主體運動來換取分數。最後這一點很關鍵，因為許多一致性方法的“提升”其實來自讓畫面更呆板。當然，僅憑摘要我們還看不到具體數值、消融細節和計算開銷，這些需要讀原文與專案頁確認。從方法上看，仍有幾點值得追問：視覺語言模型評委本身有偏見與不穩定，獎勵質量受限於它；語義分割若把靜態和動態分錯，掩碼重投影會引入噪聲；幾何先驗在反光、透明或極端視角下也會失效。即便如此，這篇工作給出的原則很有價值：當世界由不同性質的部分組成時，獎勵也該按性質拆開，各自對齊合適的先驗。這條思路有望延伸到更長的影片、多主體互動，乃至真正可用的視覺世界模擬。

對行業來說，這項工作還有一層容易被忽視的意義：它把“評估”與“訓練訊號”合二為一。過去，世界一致性多半隻是事後評測的指標，模型釋出後才有人去量。WorldAlign 把同樣的評判直接變成獎勵，在訓練過程中就讓模型承受後果。這意味著評測基準與最佳化目標之間的距離被縮短，但也意味著基準一旦被鑽空子，代價會立刻傳導到模型本身。對想把影片生成用於機器人、自動駕駛模擬或影視預演的團隊而言，更穩妥的做法是同時保留獨立的人工抽查與第三方指標，把這類自動獎勵當作提效工具，而不是質量的唯一裁判。此外，解耦設計還帶來了工程上的好處：靜態與動態兩路獎勵可以分別調權重、分別替換先驗。幾何模型升級時只需換掉前一路，視覺語言模型換代時只需換掉後一路，不必整體重訓。這種模組化的獎勵結構，比把所有要求揉進一個黑箱分數更容易維護，也更容易定位問題出在哪一環。