想让 AI 世界跟着你的操作即时变化，旧流程却像“先拍完整段视频，再搭立体场景”：后一步必须等前一步结束，交互自然慢半拍。Streaming4D 改成边生成、边重建。这里的 4D 世界，是会随时间变化的三维场景；系统既要画出连续画面，也要恢复画面背后的空间结构。
它最关键的一步是按块接力：视频模型一次生成一小段连续画面，完成后立刻交给增量三维重建模块；重建这一段时，生成器同时制作下一段。系统还保留一组持续更新的状态信息，用新画面补充已有场景，并逐步输出相机坐标和世界坐标中的三维点。换句话说，原本相加的两段等待被部分重叠。作者报告称，在单张 RTX 4090 上，不同分辨率均有运行时间改善，最高概括为 1.24 倍加速，同时维持 4D 几何质量与多视角一致性。相比本刊此前报道、用重建评分改善长视频一致性的 Stream4D，这项工作把重点转向了交互延迟；不过，利用几何结果反过来指导后续生成，论文仍列为未来工作。