看一段视频时，我们只能跟着原镜头走。WiW 想把它变成一个能进去探索的空间：你可以把镜头移到原本没拍到的位置，模型继续生成画面，同时让人物动作仍跟上原视频的进度，回到旧地点时也尽量不让物体和布局变样。
它最巧的一点，是不重新训练模型。研究者冻结了 LingBot-World 2.0 的参数，把原视频画面、按深度投影到新视角的局部图像、用于补足遮挡面的几何渲染，以及此前生成过的历史画面，都转换成模型熟悉的“干净视觉状态”，塞进原有的自注意力——模型在画面各处查找相关信息的机制。CGAR 再利用相机几何和持续跟踪的点，告诉模型该去原视频哪里找对应内容；EWA 则调节不同证据的影响强弱。
这让同一套冻结模型能够处理大幅换视角、长期探索和重访，也可用于“子弹时间”、视频防抖与编辑。论文在 DAVIS 和 OpenVid-1M 上做了评估，但这项工作的效果仍主要依据作者报告。