World-R1 到底建立了什么：给视频模型补上几何一致性，而不是造出物理世界模拟器

October 5, 2026 · 1 min read

World-R1 建立的是一件具体的事：通过强化学习，让现有的文本到视频模型在生成时遵守三维几何约束——不改模型架构，不加推理时的额外模块，也不需要大规模三维标注数据。论文把自己的工作放在更宽的世界模型框架之下，但就已检查的证据而言，它改善的是几何一致性这一层，并没有建立起一个能模拟真实物理世界的世界模拟器。

方法怎么工作

World-R1 的做法可以拆成几步。先选一个现成的视频基础模型作基座（论文用的是 Wan 2.1），架构和推理流程原样保留。然后构造奖励：让预训练的三维基础模型去重建生成的视频，重建保真度和相机轨迹的对齐程度构成几何奖励；再让视觉语言模型充当语义评委，检查新视角下渲染出的画面是否合理。接着用 Flow-GRPO——一种为流匹配模型改造的强化学习算法——根据这些奖励更新视频模型。相机运动不走新的控制模块，而是把轨迹先验直接编码进初始噪声，作为隐式条件注入潜变量，零新增参数，整个方法不改动基座架构，也不引入推理时控制模块。

另有一套周期性解耦训练。如果全程只用刚性几何奖励，模型会倾向生成静态场景——静止物体最容易保持几何一致，走路的人和飘动的旗子都会被牺牲。World-R1 因此周期性地关掉三维奖励，只在动态场景上用通用画质信号训练，把运动能力保留下来。摘要把这概括为"平衡刚性几何一致性与动态场景流畅度"。

证据到了哪一步

所有性能数字都是作者自报值。论文报告的核心结果是：在两种设置下，PSNR 分别提升 10.23 dB 和 7.91 dB。这里的 PSNR 衡量的是生成视频被三维重建的保真度，即几何可重建性，而不是对物理正确性的直接验证。论文称通用视频基准的高分得以保持，附录还包括不依赖重建的多视角一致性指标、数据扩展结果、长视频评测、场景复杂度分解，以及与三维感知生成方法的对比。本文的解读基于已检查的摘要和局限章节，未逐表核对附录数字，也不构成对结果的独立复现。

时间线上，v1 提交于 2026 年 4 月 27 日，修订到 5 月 26 日的 v4。署名单位包括浙江大学、Microsoft Research 和独立研究者。

论文自己承认的局限

1. 训练成本高昂。强化学习意味着反复生成视频并运行三维奖励评估，作者将其列为显著瓶颈。
2. 上限由基座决定。手部动作、密集场景、非刚性运动、长程一致性仍是弱项。

在这之上，本文还要做一层自己的区分：几何一致不等于物理完备。物体不随视角变形、消失，不等于碰撞、重力、因果这些物理规律被建模了。

什么时候该用它

落到使用判断上：如果你要的是概念阶段的空间布局草图或快速原型验证——"这个镜头转一圈，结构站不站得住"——这层几何反馈有实际价值，而且不要求换掉现有的视频基座。如果你要的是工程交付物——长视频、密集交互场景、精确手部动作，或者能当仿真器用的物理环境——这篇论文提供的东西不够，也不应该被当作够。