路径二导论：从「好看」到「可玩」

WARNING

🧪 Beta公测版本提示：教程主体已完成，正在优化细节，欢迎大家提Issue反馈问题或建议。

路径一回答「下一段视频长什么样」。路径二多问一句：我能不能用动作改写这段未来，并在场景里待下去？ 动作从「弱条件 / 后置」变成一等公民。

---

一、这条路径在解决什么？

$$p_{\theta }(o_{t+1}\mid o_{\le t},a_t)\text{或}\text{3D 场景}(t+1)=f(\text{场景}(t),a_t^{\text{相机/交互}})$$

$a_t$ 可以是：

• 潜动作（Genie）：视频里挖出来的可控因子，不一定等于键盘语义；
• 显式接口（3D / 场景 WM）：相机、抓取、传送。

逐步说明：路径二的成功标准为何不是 FVD（点击展开）

FVD 只问「像不像视频」。可玩要求：固定前缀，扭动动作，未来必须分叉，且人能待在场景里。潜动作系统和 3D 系统都把 $a$ 当一等公民，但一个从数据里发现控制，一个把控制焊在几何接口上。与路径三比：这里输出仍贵（帧或场景），规划可以后置，不是主目标。

• 潜动作（Genie）：视频里挖出来的可控因子，不一定等于键盘语义；
• 显式接口（3D / 场景 WM）：相机、抓取、传送。

	路径一	路径二	路径三
输出	开放视觉视频	可玩帧或可漫游 3D	紧凑 $z$
动作	常弱或后置	核心	控制用 $a_t$
成功标准	FVD / 观感	同一前缀、不同动作 ⇒ 不同未来	回报 / 规划误差

---

二、本路径两章

1. Genie：无动作标签的视频 → 潜动作 + 下一帧生成。「可玩」优先于「单纯逼真」。
2. 交互式 3D：把接口做成相机与持久几何（HunyuanWorld、Marble、3DGS 系）。

读完路径一再进这两章，对照会更清楚：生成技术可以共用，目标函数与评测不能共用。

---

三、和路径一、三、五的交界

• 视频基础模型加动作条件微调后可以做机器人 MPC，但算力往往比 Dreamer / LeWM 贵几个数量级——这是路径一往路径二/三渗透，不是互相取代。
• 若你要的是「谓词级可规划状态」而不是可玩像素，走 路径五。

下一章：Genie。