想让 AI 生成一段“角色先向前跑，再转身，同时镜头慢慢拉远”的视频，光靠一句总提示，动作顺序和切换时机往往很难说清。H3-World 的思路很直观：把角色动作与镜头运动都写成语言指令，再让每条指令对应视频中的一段时间。这里的“时间对齐”，就是明确规定某个动作从何时开始、持续多久。
具体来说，它把指令注入 MiniMax-H3 原有的文本通道，并对应到不同的视频 latent——模型内部对视频的压缩数字表示。这样，动作变化不再只靠模型猜测。项目介绍称，它仅使用 8,000 条游戏样本，经过 10,000 步 LoRA 训练，实际训练的参数占 0.199%。LoRA 是只增加少量可训练参数的适配方法，无须重训整个模型。作者还称，该方法可以控制角色和镜头运动，并组合训练中未见过的动作与视觉场景；不过这些效果目前仅依据项目方披露，材料未提供独立评测细节。它值得关注之处，在于把世界模型的控制界面变成了人能直接书写、还能安排时间的语言脚本。