T2V
从文本想象场景。
视频世界模型：让模型想象未来
视频世界模型在做什么
给定 prompt，模型生成一段未来可能的视频。它不是在求唯一正确答案，而是在学习一个合理的未来分布。
I2V
给定当前帧预测未来。
Action conditioning
当前画面 + 动作序列 → 未来画面。
Reasoner / policy
同一基础模型可以扩展到规划与动作。
实践：看本地生成结果
打开 outputs/worldmodel_t2v_20261024_192234_request.json，找到 prompt、num_frames、guidance_scale、seed。
评估三件事
- 时间一致性：物体是否突然消失或变形？
- 物理合理性：阴影、遮挡、碰撞是否符合直觉？
- 可控性：改 prompt 或 action 后，画面是否按预期变化？
边界
视频漂亮说明生成能力强，不等于它能稳定用于控制。
检索练习
视频世界模型最核心的输出是什么？
选择一个答案
它的核心是预测未来观测；动作输出属于 policy 或 action-conditioning 扩展，不是 T2V 本身。
本课一手来源
一手资料：NVIDIA Cosmos 论文；可对比 Genie 3。
有疑问就问
把不理解的地方直接发给老师/agent，最好附上你观察到的现象和报错。
Course file: lessons/0004-cosmos-video.html