你在一座由 AI 即时生成的房子里走动。离开客厅，穿过长廊，再沿原路返回——沙发还在原来的位置吗？许多系统能把眼前几秒画得连贯，却会在旧画面离开“视野”后悄悄改写房间。ReWorld 要解决的，正是这种“走出镜头后，世界是否仍然存在”的问题。
交互式世界模型会根据用户动作持续生成环境画面，像一场边操作、边现场绘制的游戏。它既要马上响应按键，又要记住很久以前见过的地方，还要不停生成。三件事放在一起，矛盾就出现了：即时控制只需参考最近的画面；长期记忆却要求模型回看遥远历史，而保存和读取全部历史会越来越昂贵。
ReWorld 的思路不是强迫同一套机制同时做好所有事，而是先让控制与记忆在不同“视野”下学习，再把历史压进一个有上限的记忆系统。以下效果与数字均来自论文作者的实验，尚无独立复现。
让不同的“眼睛”看不同距离
注意力是模型决定当前生成时该参考哪些历史内容的机制，注意力窗口则规定它能回看多远。短窗口省算力，却容易忘事；长窗口记得多，但成本会随历史增长。
ReWorld 在训练时使用 mixed per-head attention windows。一个注意力层有多组并行的“观察视角”，称为注意力头。论文让多数头只看最近三个 latent chunks——latent chunk 是模型内部一次处理的一小段压缩视频表示；少数头则查看完整历史。前者练习根据当前场景和指令迅速行动，后者学习从远处找回旧地点。
但固定分工会留下隐患：部署时，完整历史已经不在显存里，所有注意力头只能读取同一个压缩后的缓存。若某些头从小只负责“看远”，换了记忆条件就可能失灵。为此，ReWorld 使用 random head routing：每一步训练都更换负责全局观察的头。这样，每个头都轮流做近看与远看的工作，控制和记忆不会绑死在特定头上。这套做法不增加新的参数、损失函数或模块。
模型还同时接收两类相机信息。直接注入的动作信号告诉它“现在往哪里走”；MRoPE——一种把相机位姿写入注意力位置编码的方法——则帮助它按拍摄位置寻找旧画面。说白了，一个负责执行命令，一个负责认路。
消融实验显示，单独加入动作信号后，控制指标全面改善，但长程重访的 SSIM 从 0.3898 降至 0.3376。SSIM 衡量两幅画面的结构相似程度，越高越接近。加入窗口分工和随机路由后，控制表现基本保持，重访 SSIM 回升到 0.3752。这支持了论文的核心判断：控制与记忆若直接挤在一起学习，会互相干扰。
不保存整段旅程，只留下路标
训练时学会回忆，不代表推理时能无限保存历史。KV cache 是模型存放历史中间结果的“工作记忆”；如果视频一直生成，它也会持续膨胀。论文称，在 720p 下，不受限制的缓存会在真正进入长程测试前耗尽设备内存。
ReWorld 因此使用固定预算的 bounded KV cache，并在旁边维护 pose-indexed landmark bank，也就是按相机位姿索引的“地标库”。最近画面继续留在工作记忆里；较老的片段只有在相机已经移动足够远时，才以完整分辨率存成一个地标。地标库满后，系统淘汰空间位置最重复的成员，而不是把所有旧画面压缩得越来越模糊。
当用户接近旧地点时，系统按当前相机位姿取回最近的六个地标，与开头的锚点片段和近期画面共同填入固定缓存。它更像旅行者只带一张近期路线和几张关键地点照片，而不是背着沿途每一帧录像。
这种缓存是不连续的，而普通训练看到的历史通常完整且连续。ReWorld 又加入 random chunk dropping：训练时随机拿掉部分旧片段，让缺页的历史也成为模型熟悉的输入。这样，部署时拼接出来的稀疏记忆不再完全陌生。
记忆从哪里学来
长期空间一致性要求模型离开某地再回来时，布局和物体仍大致保持原样。可训练视频若只一路向前，模型很少看到“返回原地”的证据。
ReWorld 的数据引擎汇集八个来源，分为 Unreal Engine 渲染、真实世界视频和游戏视频三组。论文把各来源的相机运动对齐到统一的物理动作尺度，让同一个按键在不同数据里代表相近的移动距离。它还构造 palindrome trajectories，即先沿一条路线前进，再把后半程按原路倒放的回文轨迹，为重访训练提供明确样本。
生成速度方面，ReWorld 采用 distribution-matching distillation——让少步骤学生模型逼近多步骤教师模型输出分布的蒸馏方法——把采样压到四个去噪步骤。训练只改动 LoRA adapter；LoRA 是挂在原模型上的小型可训练适配层。关闭适配器时，同一 backbone 可运行高保真多步模式；开启后则进入四步交互模式。论文展示了 704×1280 输出，覆盖写实、游戏和风格化世界。
数字说明了什么
在由 40 张起始图像和 6 类轨迹组成的控制测试中，每种方法生成 240 段视频。ReWorld 与 SANA-WM、DreamX、HY-WorldPlay、Matrix-Game 3.0、LingBot-World 和 Yume-1.5 比较，整体旋转误差为 11.95°，是七种方法中最低；camera motion consistency 也最好。不过它并非每条轨迹都领先，旋转较重的弧线路径仍是各模型的难点。
在统一规格后计算的七项 VBench 视频质量指标上，ReWorld 平均分为 0.850，同样居首。但优势来自较均衡的表现，不是某一项遥遥领先。论文也提醒，动态程度要和重访成绩一起看：移动得少，本来就更容易保持画面一致。
更关键的是长程返回测试。相机先远离起点，再原路返回；早期画面就是埋在长视频里的“针”。在 64 秒、384 个 latent 的实验中，固定 12-chunk 缓存的 ReWorld 仍能重建起始视图。此时滑动窗口早已丢掉起点证据，而保存全部 KV 的方案会显存溢出。这是 ReWorld 最有说服力的展示：它没有把完整过去留在手边，却能在需要时找回与当前位置相关的旧世界。
为什么值得关注
ReWorld 的价值不只是一项分数。它把交互式生成的三个目标放进同一个设计：短窗口保障动作响应，长窗口负责学习检索，地标库把长期记忆压进有限预算，四步蒸馏再尝试把生成推向可交互速度。
这也换了一个观察世界模型的角度。画面逼真只是第一层。一个可探索的生成世界，还需要在用户没有注视时维持某种持续存在的内部地图。ReWorld 尚未证明模型真正“理解”了空间，但它把是否能原路返回、能否在有限缓存下认出旧地点，变成了可以直接测试的问题。
局限与未知
- 所有结果都来自作者侧实验，尚无第三方复现。部分基线在长程测试中移动距离明显不同，而移动较短会让重访更容易，因此相似度不能脱离实际路径长度解读。
- 论文使用“real-time”和“streaming”，但材料未给出 FPS、具体硬件、端到端延迟与总显存占用。四步采样说明计算步骤减少，不等于已在常见设备上普遍实现实时运行。
- 固定 12-chunk KV cache 不代表总内存完全恒定。地标库还有主机内存容量、更新、检索和传输成本；这些代价需要更完整的工程数据才能判断。