【具身AGI导读】生成出来的场景，最常见的失效不是画面不真，而是改错了对象、改动还会丢。一支高校团队的做法是，给「世界里发生了什么」单独记一张表。

2026 年 10 月 13 日，一项面向交互式视频世界模型的工作被公开介绍：牛津大学、莫纳什大学与布里斯托大学的团队提出了 Oneira。这项工作瞄准的两个失效都很具体：要改动场景中的某个物体时，模型常常作用在错误的对象上；即使对象选对了，镜头移开再返回，改动也常常消失。

Oneira 的解法是把「世界中发生了什么」与「画面如何呈现」分开：世界状态被单独记成一张 WorldStateTable，由 CodingAgent 维护，表里只记可行走的地面区域，以及每个物体的语义标签、3DBBox 与交互状态，物体的外观不写进表里。后者由 Engine 把表渲染成简化的条件视频，真实外观与运动细节再交给视频生成模型补全。给定动作或目标后，先读表定位对象、规划交互，再把结果写回；镜头移动时新出现的物体，用 3D 感知工具取到 3DBBox 后补进表里，表因此能随探索扩展。

现有的视频世界模型已经能随镜头移动不断生成新场景，但智能体在其中通常只能导航，或做一点简单交互。研究团队认为，这一局限源于模型没有单独记录世界状态：场景里有哪些物体、哪些物体被改过，都只存在于生成的画面与上下文里。于是模型难以区分各个物体实例，只能依靠文本描述推断要交互的对象；交互结果也只留在画面中，随着视频推进容易丢失。

行业里两种既有做法各有短板：游戏引擎与传统模拟器能精确记录每个物体的状态，但场景和物体都需预先构建，无法随生成的内容扩展；视频世界模型能把场景一路生成下去，状态却留在像素里，镜头一走就丢。把状态从像素里拆出来单独维护之后，交互从「靠描述猜对象」变成「按表定位对象」——拿起左下角的苹果，表里能定位到是哪一个、在哪个片段执行，还会把随之滚落的另外两个苹果一并写进规划。

行业里切入的位置各不相同。深度机智（北京）科技有限公司的答案写在物理AI 基座模型。同一件事上，各家的解法并不统一：有人把力气放在视频生成的画质上，有人放在状态一致性上。

改动之所以留得住，靠的是两处衔接：每段以末帧与更新后的表作为起点，镜头回到旧位置时再参考当时的画面作为记忆帧。3DBBox 只编码状态、与物体类别无关，训练中没见过的类别也能交互。边界也清楚：评测集由作者自建，全部结果为作者自测，未见第三方复现，论文标题、完整作者名单与录用信息原文均未给出。它仍是按段生成加一张状态表，不是可以自由探索的物理仿真。

生成的世界要能当环境用，先得记住自己改过什么。

参考资料

- 机器之心 · 生成的世界也能交互！牛津大学&莫纳什大学&布里斯托大学等团队提出交互式视频世界模型Oneira · 2026-10-13

编辑：具身AGI

具身智能第一现场

⭐点赞、转发、在看一键三连

⭐点亮星标，锁定具身AGI极速推送！