MBZUAI与ANU推出目标导向闭环视频世界模型WorldGuide

MBZUAI与澳大利亚国立大学（ANU）研究人员提出WorldGuide（arXiv:2610.12459，代码库github.com/mbzuai-oryx/WorldGuide），将程序性视频生成形式化为视觉世界空间中的闭环任务执行。模型仅给定初始图像和高级任务目标，即迭代预测下一原子动作、生成对应视频片段并检验合成状态，以动态路由后续动作或判定任务完成；采用分层视觉记忆压缩远距离步骤。作者同时发布WorldGuide-Bench，含约5.9万条步骤标注视频、245项任务和27个程序类别。在WorldGuide-Bench上任务成功率33.33%，超过提供参考计划的MiniMax-H3（29.90%）；在VideoCraft-Bench上目标条件下达47.69%，对比MiniMax-H3的32.73%；通过动态视觉验证将逻辑顺序错误从开放环基线的62%以上降至4%以下。作者已在GitHub开源代码库、训练脚本与评估基准。