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。

所以，AI 视频为啥总穿帮？

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。

第一斧：把相机轨迹 " 藏进 " 噪声

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。

整套奖励通过 **Flow-GRPO 框架优化。

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

Small 版比基线 PSNR 涨了 10.23 dB，Large 版涨了 7.91 dB。LPIPS 从 0.467 降到 0.201，几何幻觉被干掉了大半。

画质不降反升

在 VBench 上，World-R1-Small 美学质量 65.74、成像质量 67.53，全面超越基线 Wan 2.1-1.3B。

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

3D 重建的点云也能看出差距：基线模型的重建像一堆散沙，World-R1 的像一座真实的建筑。

消融：每一刀都切在要害上

消融实验的结论很清晰：去掉 3D 感知奖励，几何一致性直接崩盘；

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

点亮星标

科技前沿进展每日见