要求视频生成模型先推断事件对实体行为的影响，再渲染后续世界状态。
推荐理由：目标从像素连续性推进到因果状态演化：模型需判断野兽出现后人物会逃跑、躲避或反击；这直接检验视频模型能否成为可交互世界模拟器。
阅读原文