超越像素：以状态为中心的信息为视频世界模型提供锚定

基于摘要分析。本文研究如何将特权状态信息与视频数据结合，使由动作驱动、预测未来视频帧的视频世界模型更适合物理模拟，而非仅依赖通用视频生成编码器的潜在空间。其贡献包括模块化训练方案、状态与视频的联合建模、利用 LLM 先验进行数据增强，以及面向 Rocket Science 数据集的状态指标。 研究动机是：许多视频世界模型沿用文本到视频生成模型的现成 VAE 编码器，其潜在空间并非专为世界建模设计，也难以解释或控制。作者报告，模块化训练方案能够提升效率；联合建模状态与视频流，则可自然形成对完整世界状态的不确定性度量，包括视频中只能部分观测的状态。摘要未说明模块划分、训练目标、不确定性的具体定义与校准方式，也未明确特权状态信息在训练和推理阶段分别如何使用。 作者进一步利用状态空间结构，在训练中引入 LLM 先验作为数据增强，以修正策略偏差或引入新动作；同时为 Rocket Science 数据集设计基于状态的指标，评估模型的物理理解。这一评估思路关注模型是否正确描述物理状态，而不只关注生成画面的表观质量，但指标定义、对照基线及其与视频指标的关系尚未验证。 摘要未提供定量结果、数据划分或训练规模，实验协议、消融及统计信息尚未验证。本文的主要对象是视频物理世界模型，不是 EEG/BCI 模型；材料尚不足以建立其状态监督与神经信号解码之间的具体对应关系，因此不据此推断 BCI 有效性。