导读视频生成关注按条件合成视听内容，世界建模关注表示环境并预测其变化。两者可以由同一模型承担，也可以共享技术；面向智能体和机器人时，关键还在预测能否反映行动后果、支持后续决策。本文以 Seedance 2.5 与 Genie 4 为例，从目标、控制、反馈和验证讲清区别，避免把“能生成视频”与“能可靠模拟环境”混为一谈。
本文 2785 字，阅读约 7 分钟
目标不同，技术可以重叠
都能用自然语言控制，交互又差在哪里？
到了智能体这里，画面变成了反馈
能生成合理画面，为什么还不够？
判断区别，最终要看结果怎样被使用
目标不同，技术可以重叠
2026 年 10 月 27 日，Google DeepMind 发布 Genie 4 研究预览，展示了键盘导航、用自然语言改变场景，以及同步生成声音。它被称为世界模型，但输出也是连续画面。这与 Seedance 这样的视频生成模型，有什么区别？
先看两个任务。制作广告时，你输入“镜头从湖面推向一位演奏者”，希望得到符合创作意图的片段。让智能体在房间里寻找椅子时，你还需要知道：向左转会看到什么，沿这条路走能否接近目标，椅子离开视野后是否仍在原处。
前一个任务把视频作为作品；后一个任务把环境变化作为行动依据。两者关心的结果不同，对预测的要求也就不同。
视频生成模型按文本、图像、视频等条件合成后续内容。生成任务不只要求画面好看，还可能要求准确执行指令、保持人物与运动连贯，以及符合用途所需的物理关系。广告、过程演示和训练素材，对这些要求的权重可以不同。
世界模型则尝试建立环境的内部表示，预测环境怎样演化；面向行动的模型还要预测“采取这个动作之后，会发生什么”。它保留的是任务需要的状态和规律，不需要完整复刻整个世界。
世界模型的定义尚未统一，并不都接受动作输入、实时运行或生成视频。下表比较两种功能目标，列出不同模型可能采用的输入输出形式，具体能力仍要看各自实现。
以输出为例，Genie 4 公开展示的是随操作持续生成的画面与同步声音；机器人世界动作模型 UNITAS 则用三维点轨迹表示机器人运动与场景响应。因此，表中的压缩特征、三维轨迹等形式，不应理解为 Genie 4 都能直接导出。模型内部的表示与对外提供的输出接口，也需要分别确认。
同一模型也可能兼具两种功能。OpenAI 的 Sora 技术报告就讨论过视频模型对人、物体及环境部分行为的模拟，同时指出物理模拟仍有局限。
视频记录了运动、遮挡和交互后果，学习生成连续画面，可能积累一部分环境规律。这使视频生成成为视觉世界建模的一条相关技术路线。功能可以重叠，仍须分别验证生成质量和预测误差。
都能用自然语言控制，交互又差在哪里？
理解了目标差别，再来看最容易混淆的功能：控制。视频生成并非只能输入一句话、等待整段结果；它也可以使用参考素材，编辑或续写已有片段。
Seedance 2.5 支持多轮续写和按时间点指定编辑要求。在官方运镜案例中，用户要求保留人物、动作与风格，只调整镜头运动。
Seedance 2.5 官方运镜编辑案例，动图由官方视频转换，展示参考片段与编辑结果 ｜ 来源：字节跳动 Seed 团队
这里，“修改视频第 4 秒的镜头”指定的是成片中的位置。它不等于系统运行到第 4 秒时，才接收新的操作。
Genie 4 的官方演示展示了运行中干预：一位萨克斯演奏者身处湖边，用户在场景推进时输入下雪指令，随后出现雪花，人物身上逐渐积雪；演示还显示了键盘导航控件。
Genie 4 官方交互演示：用户输入下雪指令后的连续片段，动图由官方视频转换 ｜ 来源：Google DeepMind
自然语言控制的关键差别，在于输入时机、场景延续和反馈方式。编辑片段与运行中干预，对系统提出了不同要求。
以上是官方案例，本文未独立测评。它们用于对照两种工作流；是否支持运行中交互，要核对具体版本和接口，不能只凭模型类别判断。
到了智能体这里，画面变成了反馈
为什么输入时机和场景延续会影响用途？继续看寻找椅子的例子。智能体查看当前画面，看不到椅子便发出转向动作；环境返回新的画面，它再决定继续转向还是靠近目标。画面在这里是智能体的“观测”，并不包含环境的全部状态。
与创作者看完片段再修改相比，这个循环要求动作后的变化持续成为下一次决策的输入。如果响应太慢，或者动作与画面关系不稳定，智能体就难以依赖反馈。
DeepMind 披露，Genie 4 的协作系统中，Gemini 3.8 Flash 会查看生成画面、拆解目标、检查进度，并随场景变化调整计划；Genie 4 负责生成视听内容。这展示了决策与环境生成可以怎样配合，尚不能据此确认任意任务中的可靠性。
世界模型也可以用于执行前的预演：先预测几组候选动作的后果，比较哪组更接近目标，再执行选中的动作，并根据新观测重新规划。这时，预测直接参与行动选择。机器人操作中，模型可能需要判断夹爪怎样移动能抓住杯子，而不只是生成“杯子被拿起来”的画面。
无论提供交互环境，还是参与执行前预演，世界模型的预测都要与决策、执行及实际反馈配合，才能形成完整的行动过程。这些职责可以由不同模块承担，也可以部分集成在同一模型中。
能生成合理画面，为什么还不够？
视频生成和世界建模都可能关心物理合理性。把生成结果用于行动时，还需要确认：观测是否忠实、动作后果是否准确，以及误差是否会改变决策。
寻找椅子时，如果智能体转身后椅子无故消失，它可能走错路。操作杯子时，如果夹爪抓空，模型却仍预测杯子升起，就会把失败当成成功。画面可以流畅，但行动与后果之间的关系已经错了。
这要求模型保持任务相关的状态：物体离开视野后仍保留必要信息；如果它在遮挡期间继续变化，重新出现时也应反映这段变化，而不是简单恢复旧画面。
为了让运动与交互符合物理规律，模型可以从数据中学习，也可以借助显式机制施加约束。例如，系统先用物理模拟器计算运动，再用仿真结果引导视频生成。这两种方式也可以结合使用。“是否加入物理约束”是实现问题，不能直接用来划分视频模型与世界模型。加入约束后，结果是否遵守物理关系，仍须验证。
《World Models’ Last Exam in Physics》评测尝试从生成视频中测量轨迹、周期、角度等量，检验预定义的物理关系。
物理量测量与理论关系检验流程，裁自论文 Figure 1 第三部分 ｜ 来源：World Models’ Last Exam in Physics 研究团队
图中以两个单摆为例，通过跟踪、分割和信号处理，检验周期与摆长的关系以及周期稳定性。连续性筛查影响物理得分是否计入综合分，测量程序仍会独立尝试提取物理量。能持续追踪小球，只说明具备测量其运动的条件；测出的轨迹是否符合自由落体规律，还要另行检验。
对机器人来说，误差是否可接受，还取决于接触、碰撞等任务要求，并需要真实执行验证。
比较“先走左边还是右边”时，还需要保存、恢复或重建足够一致的实验起点，并记录或控制随机性。记住场景，不自动等于支持可比较的分支推演。相似首帧生成的两个片段，也不保证内部条件一致；Genie 4 的公开演示尚不能证明任意状态都可精确保存和分叉。
截至 2026 年 10 月 29 日，DeepMind 将 Genie 4 作为面向可信测试者的研究预览，并说明连续交互仅支持几分钟，视觉细节与物体持续性仍可能漂移。它展示了交互式生成的进展，适用范围仍须由具体任务验证。
判断区别，最终要看结果怎样被使用
如果目标是广告、短片或概念镜头，重点检查内容、风格、编辑能力和交付质量。如果目标是让智能体练习或让机器人预演动作，就要进一步检查动作后果、状态延续和模拟误差，以及这些预测能否改善训练或执行结果。
视频生成与世界建模的能力可以重叠，交互体验与成片创作也可能结合在同一系统中。评价应跟随用途：既不凭画质认定预测可靠，也不因一个系统被称为世界模型就默认它适合行动。
视频生成关注把条件变成内容，世界建模关注把环境变化变成可检验的预测。当预测用于智能体与机器人时，还要证明它能支持行动。理解这层区别，比只看模型名称、画质或一段交互演示，更能判断系统究竟提供了什么能力。
参考资料
•ByteDance Seed, One-take Creation, Flexible Referencing: Introducing Seedance 2.5: https://seed.bytedance.com/en/blog/one-take-creation-flexible-referencing-introducing-seedance-2-5
•Google DeepMind, Genie 4: A new generation of world simulation: https://deepmind.google/blog/genie-4-a-new-generation-of-world-simulation/
•Google DeepMind, Genie 4: Limitations: https://deepmind.google/models/genie/
•OpenAI, Video generation models as world simulators: https://openai.com/index/video-generation-models-as-world-simulators/
•A Definition and Roadmap for World Models: https://arxiv.org/html/2607.06401
•World Models: https://worldmodels.github.io/
•Motus2: A Self-Evolving General World Model for Dexterous Manipulation: https://arxiv.org/abs/2608.30237
•UNITAS: A 3D-Native World Action Model for Embodied Manipulation: https://arxiv.org/abs/2610.12099
•DreamTrue: Action-Faithful Robot World Model with Counterfactual Post-Training: https://arxiv.org/abs/2610.12468
•Reading, Writing, Sharing, and Interacting with the World through Video: https://arxiv.org/abs/2610.31668
•World Models’ Last Exam in Physics: https://arxiv.org/abs/2610.08791
•Fluid-Gen-Zero: Grounding Pretrained Video Generators in Physics without Training: https://arxiv.org/abs/2610.10984
•World Models for Embodied Intelligence: From Plausible to Controllable to Actionable: https://arxiv.org/abs/2609.16697
蘑菇头表情图片来源：蚊子动漫
文章仅做学术分享，如有侵权请联系删除，非常感谢！