你看到杯子被拿起、倾斜，最后水洒了。普通视频只留下这几秒画面，却不会告诉 AI：手用了什么动作，杯子何时接触桌面，摩擦力怎样变化，又是什么触发了泼洒。对“世界模型”来说，这正是缺掉的一页账。世界模型要学习“采取某个动作后，环境会怎样变化”，不能只模仿画面。CG-World 的思路，是把状态、动作、事件和观测放进统一协议，让 AI 不只看到结果，也能追踪结果如何发生。
这项工作来自 Yiming Cai 等人的一篇 arXiv 论文，数据与实验目前都只有作者这一处信源。论文披露了具体设置和指标，但尚无独立复现。
不只保存成片，也保存片场总账
现有数据往往各管一段。视频数据擅长记录“看见了什么”，机器人轨迹会补上部分动作，模拟器则能提供内部状态，但不同引擎和参数体系很难直接互通。CG-World 想补的是结构性缺口：把同一段变化过程中的多类信息，按统一时间线对齐。
它的数据来自获准用于研究和再分发的工业计算机图形制作项目。工业 CG 流程不只产出最终视频，还会留下角色骨骼、控制器、运动曲线、相机、灯光、物理缓存和接触事件等中间记录。论文把这些记录整理成“世界状态”——某一时刻环境中所有关键事实的集合，相当于生成画面背后的总账。
协议把数据分为七类：实体、结构、静态属性、动态状态、关系、事件与规则，以及观测。这里的“观测”包括 RGB 画面、深度、分割、法线、光流和点云等。多通道渲染（multi-pass rendering）则把颜色、深度、阴影等成分分别输出，让模型看到成片背后的结构。
这个区分很关键。画面只是从某个相机角度得到的结果，不等于世界本身。同一个场景换相机、灯光或遮挡，观测会变，底层状态却可能不变。CG-World 因而把 latent states、observations、relations、events 和 branch metadata 分开记录，再用统一时间码重新装进同一个时空样本。
约 85 万段，但每段都不长
CG-World v1 包含约 850,000 个有效片段，每段 1—5 秒，中位时长 2.6 秒。其中 433,500 段具有完整的多模态对齐，510,000 段包含物理重算；95% 的有效片段覆盖同一镜头的多个动作版本，每段有 3—5 个 take。
为减少数据泄漏，作者按制作项目、共享资产、历史版本和同源分支分组切分。训练、验证和测试集分别为 637,500、127,500 和 85,000 段，占 75%、15% 和 10%。v1 主数据没有通过程序化随机场景或重新模拟来扩增，状态与观测来自通过制作质量控制的保存记录。
它还定义了三级能力。L1 只要求观测、相机参数、坐标系和统一时间；L2 再加入动作、动态状态、关系和事件；L3 进一步记录干预变量、不变量、分支谱系和替代结果。换句话说，数据不只是“发生过什么”，还可以记录“如果改一个条件，会发生什么”。
把“如果当时”变成可核对的数据
CG-World 将分支分成事实轨迹、观测干预、动作干预、机制干预和严格反事实。观测干预只换相机、灯光或图像退化方式，不改底层轨迹；动作干预会改变抓取位置、速度或释放时机；机制干预则改变质量、摩擦、黏度或约束规则。
“严格反事实”要求更严：先保存真实发生的那条轨迹，再固定外部环境和未被干预的机制，只替换一个动作、状态或机制变量，并记录个体层面的不同结果。这像把同一场事故倒回原点，只改一个条件，而不是另拍一段看起来相似的视频。
v1 的干预与反事实子集来自桌面容器操作场景，包括 1,000 个同源分支组、100,000 条观测干预分支、5,000 条严格动作反事实分支和 5,000 条严格机制反事实分支。它还记录滑落、泼洒、碰撞和过早释放等失败结果。约 9% 的子集来自历史项目版本，其余由程序生成。
三组实验说明了什么
第一组实验用 LTX-2.3-22b-dev 做受几何条件控制的视频生成。LPIPS 和 FVD 都是生成结果与真实视频之间的距离，数值越低越好。表中 Mixed Depth/Canny 训练在两种控制下都给出最低数值：Depth 的 LPIPS/FVD 为 0.278523/326.324，Canny 为 0.304219/368.162。值得注意的是，论文正文称“CG-World 单模态监督最好”，并把相对 Official Union 的降幅写成 37.57% 等；这些百分比实际对应表中的 Mixed Union，而不是 CG-World 单模态行。表格与文字存在内部不一致，因此不宜据此下更强结论。
第二组实验让 Cosmos3-Nano 根据当前画面和文字指令预测未来 16 步动作。相比 LIBERO-LoRA，CG-World-LoRA 的动作均方误差从 0.08061 降至 0.05326，平移误差从 0.34084 降至 0.27152，旋转误差从 4.53336° 降至 2.13520°；夹爪 F1 从 0.89354 升至 0.95726。作者据此认为，连续的状态与动作记录能提供单条演示轨迹缺少的运动结构。
第三组实验把这种运动经验迁移给 OpenVLA-7B。加入 CG-World 预适配后，PickCube 成功率由 4.0% 升至 39.0%；在训练中未见的 StackCube 上，基线均为 0%，该方案达到 25.0%。抓取后的 Lift 成功率也由 68.7% 升至 88.3%。这些结果支持“结构化监督可以迁移”的判断，但实验仍限于论文设定的模型、任务和模拟环境。
为什么值得关注
CG-World 最有意思的地方，不是又增加了一批视频，而是改变了数据的记账方式。它要求每个状态、动作、事件、观测和因果分支都有可追踪的位置。若这种协议能被更多工具链采用，研究者就可能在同一份数据上分别研究生成、动作预测和反事实推理，而不用每次重新拼接互不兼容的记录。
局限与未知
- 这些状态来自工业 CG 制作，不是真实世界的物理真值。论文也承认数据带有叙事选镜、修饰动作、引擎与求解器偏差，以及合成流程造成的状态—画面错位。
- 论文计划在录用后、最迟 camera-ready 阶段发布完整 v1。L1/L2 和部分 L3 将采用非商业学术研究许可；完整项目文件形式的原始 L3 数据需要用途审查和受控访问协议。当前公开下载状态不能从材料中确认。
- 作者计划继续采集并通过社区协作扩展数据，还准备以真实—虚拟配对衡量偏差。这仍是后续计划，CG-World 尚不能被视为已经获得行业采用的共享基础设施。