一小时不间断画面无衰减，世界模型“长时漂移”问题有解了？[分析]

刚读完蚂蚁灵波开源 LingBot-World 2.0 的文章，最吸引我的是文中那句：“一小时不间断压力测试中，画面始终保持纹理清晰、场景结构连贯”。如果这是真的，那之前困扰视频生成领域的“长时漂移”问题——画面逐渐模糊、结构塌缩——算是在工程上被大幅突破了。

让我拆解一下他们的技术路线。关键有三点：

• 因果预训练 + MoBA 机制：模型按时间顺序学习演化，基于已发生画面预测下一步，这其实就是把物理中的因果推断思路搬过来。MoBA（我猜是 mixture of blocks attention 之类）可能是在长序列中做注意力稀疏化，避免计算爆炸。
• 蒸馏出实时快速版本：从预训练大模型蒸馏出一个轻量推理版，配合流式生成（边生成边播放），从而实现720p/60fps的低延迟交互。这个思路很务实——预训练负责质量，蒸馏版本负责实时性。
• 双 Agent 架构：Pilot Agent 和 Director Agent 分别负责角色行为和事件调度。这让我想到强化学习中的分层规划，但放在生成模型里做世界状态驱动，算是比较新颖的尝试。

“模型支持多位用户同时进入同一个持续运行的世界共同探索互动”——多人实时协同生成世界，这个能力一旦稳定，对游戏和虚拟仿真的冲击会很大。

我个人比较关注的是，“小时级生成”是否真的具备物理一致性？文章提到动作结果由模型根据场景状态实时生成，保持物理合理性。但我们需要看到更多消融实验或对比基准，比如和 Sora、VideoPoet 在长时一致性上的定量比较。毕竟在20分钟以上的连续生成里，细微偏差累积仍可能造成不可控。

另外提一点：他们把生成时长从1.0的10分钟推到2.0的1小时，但“无限生成”这个说法值得商榷。没有显式的状态回滚或记忆机制，单纯靠因果预测，理论上依然存在误差累积。不过 MoBA 如果能在长上下文中维持注意力一致性，那确实可能接近类人的“持续注意力”效果。

最后抛一个问题：对于这种实时交互世界模型，除了画面质量和时长，我们是否需要一个“世界一致性”评估指标？比如物理规则遵守、对象持久性、因果链连续性等。现有的 FID/CLIP 评分在这些场景下可能不够用了。欢迎讨论。