想象你在虚拟房间里一路向前走：镜头转过沙发时，遮挡关系要跟着变化；再回头，沙发也不能突然换颜色。长时间续写这种可交互视频，难点正是同时守住几何演化和外观连续性。UniWorld把深度轨迹——画面各处离镜头多远——作为统一的结构输入，再用一张参考图规定纹理、颜色和身份，让同一个生成器接收录制场景、模拟器轨迹等不同来源。
它最关键的一步，是让两类记忆共用同一条时间线。每次生成新片段时，系统保留一段已生成画面作为重叠前缀，并把它调到当前采样所处的噪声水平；生成过程中反复固定这段历史，最后只提交新产生的后缀。与之同步的“滚动深度状态”只读入新增几何，并保留重叠部分原有的深度条件。说白了，旧画面和当初塑造它的空间骨架一起锁住，不会一边续写、一边偷偷改稿。
这样，活跃状态和单个窗口的计算量不会随视频总长度持续膨胀。作者报告称，稳定运行时的 DiT——负责逐步生成视频的核心模型——达到实时吞吐；目标生成速率为 14 FPS。论文也称缓存执行与增量执行可得到逐比特一致的输出，但这些效果仍来自作者实验。