你让一个视频 AI 模拟“向前走、左转、再原路返回”。每一步单看都可能像模像样，最后却回不到原来的位置：墙面偏了，颜色变了，物体布局也慢慢走样。问题不只是哪一帧画错，而是早期的小误差被后续预测反复继承，最终滚成明显偏差。
WorldCycle 想解决的正是这件事。它让模型执行一套可以返回起点的动作，再用“到底有没有回来”自动验算长时预测，无需为每条轨迹准备真实视频。论文报告，它最多把状态返回漂移降低 44%，并把分布外复合动作的准确率提升到基础模型的近 4 倍。不过，这些结果均来自作者论文，尚无独立复现。
没有标准答案，就把题目改成可以验算的
视频世界模型——根据当前画面和动作预测世界接下来会怎样——常采用自回归生成：模型把自己刚生成的画面，当作预测下一段的依据。这很像传话游戏。一个细小的位置偏差，会进入下一轮输入，再被继续放大。这就是误差累积。
强化学习可以在生成后给模型奖励，引导它改进。但长时视频有一个麻烦：任意执行一串动作后，正确的未来画面通常不存在，系统无法自动判分。此前方法更多检查短片段是否遵循动作、画面是否好看，却难以判断整条轨迹最终偏了多远。
WorldCycle 换了一个角度：不要先处理所有动作，只看可逆动作。假设镜头向前移动，再执行对应的反向移动，理论上应回到起点。起始画面于是成了现成答案。论文把这种结构称为可逆动作循环，并据此构造“可自验证强化学习”——奖励是否正确，不靠人工标注，而由动作闭环自动给出。
不只检查终点，还沿路对账
只看最后有没有回到起点，信号仍然太稀疏。模型知道整趟旅程出了错，却不知道错误从哪里开始。
WorldCycle 因此设计了 spatial closure reward，即“空间闭合奖励”。一段正向动作后接完全对应的逆向动作，前后两半天然形成镜像。正向途中经过的每个状态，都应在返程相应位置再次出现。系统逐段比较这些画面，用图像中的稠密点跟踪——追踪大量对应像素的位置——衡量两帧之间的偏移。这样，每个中间片段都变成一道可以自动验算的小题。
第二种奖励叫 temporal consistency reward，即“时间一致性奖励”。系统把同一循环重复多次，并比较各轮相同阶段的画面。如果状态和动作相同，下一步变化也应相同。论文以第一轮为固定参照，避免比较基准跟着模型一起漂移。前一种奖励管“一圈能否闭合”，后一种管“多跑几圈会不会变形”。
训练时，作者先只使用空间闭合奖励，让单次循环基本站稳；随后保留它，再加入时间一致性奖励。消融实验——移除或更换某个组件以观察影响——支持这一安排：只用空间奖励时，381 帧长时设置的终点闭合误差 ESC 为 0.212；完整方法降至 0.163。若一开始同时加入两种奖励，或后期完全切换到时间奖励，整体表现也不如先预热、再联合训练。
为了防止模型只记住“走到固定时间就反向”，训练还会采样不同长度的循环。最终奖励同时保留动作跟随与画面质量信号，避免模型为了轻松闭环，生成缺乏有效内容的画面。
真正有意思的是，它能教没有示范的动作
WorldCycle 从 8B 参数的 WorldPlay 自回归模型出发，使用约 4000 组真实场景图像—文字对进行后训练。闭合循环在训练时即时构造，不需要人工标注循环视频。训练持续 3 天，使用 8 张 H200 GPU。
作者还发布了 CycleBench，用来专门检查模型能否返回正确状态。它包含 380 个初始画面、47 条动作轨迹，覆盖可逆循环、非原路闭合、重复循环和级联循环，并设置 125、253、381 帧及复合动作等条件。ESC 衡量终点与起点的距离；RPS 衡量去程与返程的镜像偏差；RCS 衡量多轮循环相同阶段的漂移。数值越低，闭环越稳定。
在短时简单动作上，相比同样由 WorldPlay 初始化、但主要奖励短片段动作跟随的 WorldCompass，WorldCycle 将 ESC 从 0.038 降至 0.026，RPS 从 0.034 降至 0.019，分别改善 32% 和 44%；动作准确率则接近，分别为 0.833 和 0.829。到 381 帧时，WorldCycle 的 RCS 为 0.049，相比 WorldCompass 的 0.074低 34%。这说明收益并不只体现在最后一帧，而是延伸到了重复循环的稳定性。
更值得注意的是复合动作，比如一边前进一边转向。这类组合在基础模型的预训练分布中较少出现。WorldPlay 在该设置下的动作准确率只有 0.136，WorldCycle 达到 0.553，约为前者 4 倍，也高于 WorldCompass 的 0.499。关键在于，即使没有对应的真实视频示范，只要组合动作及其逆操作仍能构成闭环，模型就能获得自动反馈。
为什么值得关注
这项工作的价值不只是又做出一个更稳的视频生成器。它提供了一种训练思路：当真实未来无法取得时，可以利用动作本身的结构制造标准答案。模型不必知道开放轨迹的每一帧应该长什么样，只需先证明一套可逆操作执行完后，状态确实回来了。
这也把评估重点从“单段视频看起来是否合理”，推进到“模型是否像一个一致的状态转换系统”。对于需要连续规划和探索的世界模型，后者更接近真正的瓶颈。
局限与未知
- 闭环成立有严格前提。动作必须确实可逆，环境也要近似确定；碰撞、随机变化、不可逆交互或隐藏状态改变，都可能让“回到起点”本身不再是正确答案。
- 44% 和近 4 倍都是作者在特定设置中的最佳概括，不能视为所有场景的普遍提升。CycleBench 与模型发布情况目前也只有论文自述，材料未提供第三方使用或复现记录。
- 方法目前聚焦可逆视觉运动。论文把近似可逆过程和机器人操作列为后续方向，但尚未给出相应实验。