LTX-Video、CogVideoX 和 Pyramid Flow 按八项标准尚未达到模拟器水平

系统综述的作者在 arXiv 上分析了 2018 年至 2026 年 6 月间关于生成式世界模型的 200 篇论文，并将其与传统模拟器在八项能力上进行了对比：资产构建、物理引擎、交互、可控性、稳定性、状态反馈、多样性和评估指标。这项研究 From Generation to Simulation: How Far Are World Models from Being True Simulators? 表明，世界模型在交互和可控性方面已经能在特定场景下功能性地替代模拟器，但在物理定律的正式保证、结构化的状态反馈以及可复现的长期演化方面仍存在差距。最显著的缺口是状态反馈：在 163 篇有实现的工作中，只有 6 篇提供了在运行期间查询对象状态或物理参数的接口。

这意味着什么

该综述直接涉及我们指南中的视频生成器——LTX-Video、CogVideoX（智谱 CogVideoX） 和 Pyramid Flow（快手 Pyramid Flow） 属于视频生成路线，而作者将这条路线列为通往世界模型的三大主要技术路径之一。 从这三个工具的参数表可以看出，它们都没有提供状态反馈接口——这正是综述指出的最被忽视的缺陷。LTX-Video 解决的是 image-to-video 任务，CogVideoX 和 Pyramid Flow 解决的是 text-to-video 任务；在所有情况下，输出都是视频序列，而不是关于对象位置或场景物理参数的结构化数据。这与作者的结论一致：生成式模型目前还不能像传统物理引擎和游戏引擎那样提供对实体状态的运行时访问。 长期演化的稳定性是世界模型落后的另一个标准。在我们工具的参数表中，没有关于长周期生成可复现性或稳定性的保证数据：开发者既没有为 LTX-Video 声明这些能力，也没有为 CogVideoX 或 Pyramid Flow 声明。综述提出的基于下游任务的评估（作为六个发展方向之一）在参数表中也没有体现。 该综述为选择提供了一个有用的框架：如果需要带物理和反馈的模拟器，AI Video 板块中的视频生成器目前只覆盖了部分路径——生成视觉上可信的序列，而不是真正的模拟。