XR / AIGC 视频生成：问题谱系与逐篇拆解

[论文] 能否从 instructional videos 学得可规划的状态与动作空间，从起点、终点视觉观察推断中间操作？

[论文] CrossTask instructional videos；procedure planning 与 walkthrough planning。

[论文] 输入起始和目标视觉观察、规划长度；输出离散动作序列；改变起点、终点与规划跨度。

[论文] Dual Dynamics Network 同时学习 forward dynamics 和 conjugate dynamics；对比 UPN 的连续梯度规划以及去掉任一 dynamics 的动作预测模型。

[推断] 支持带动作监督的离线视频规划；序列标签匹配不能证明真实执行成功，也没有视频生成或因果识别实验。

[论文] 训练有动作序列监督；评测提供起终点观察和任务动作集合。

[推断] 可识别的动作词表及观察到的状态足以定位规划问题；相同外观下不同隐藏机制会使该映射不唯一。

[论文] 只建模动作顺序会忽略状态：能否用明确 state changes 改善 procedure planning？

[论文] CrossTask、COIN、NIV；给定起终状态的步骤规划。

[论文] LLM 生成动作前后状态文本；视觉观察与状态文本对齐；预测中间状态和步骤。

[论文] GPT-3.5 状态描述＋cross-modal contrastive alignment＋两个 decoder；与直接步骤序列建模及单 decoder、随机 memory、无 state alignment 等设置比较。

[推断] 支持状态描述对离线规划的增益；没有验证可见状态相同、隐藏机制不同的干预后果。

[论文] 论文明确承认：看不见的状态变化难以识别；LLM 描述质量构成瓶颈；使用 closed vocabulary。

[推断] 语言先验补全的状态不能自动视为个体场景的观测事实；在 XR 中应区分 inferred 与 observed state。

[论文] 能否通过 state-change 描述及假想失败结果，学到更有 procedure awareness 的视频表征？

[论文] Ego4D 预训练；GTEA 等 temporal action segmentation、EgoPER error detection、EPIC-KITCHENS retrieval、Charades-Ego recognition 等。

[论文] 改变监督文本与动作序列：before/after 描述、state-change counterfactual、missing-step 与 misordered-step counterfactual。

[论文] LLM 生成正负状态描述，进行 clip-level 与 video-level 对齐；对比 narration-only／Weak HierVL 及去掉不同 counterfactual 的设置。

[推断] 支持 counterfactual 文本监督改善表征；不能据此认定模型能生成正确的 counterfactual pixels、动力学或可执行教程。

[论文] 用 Llama 3.1 8B 由 narration 产生监督；论文承认 CF 有时为低概率情形；视频级 CF 包括删步与重排。

[推断] 描述的 plausible negative 能用于区分表征，但不必等于同一事件的真实反事实；训练价值与因果真实性须分开检验。

[论文] 如何把 next-event prediction 的答案从文本扩展为符合输入情境的动态视频？

[论文] Video-Next-Event Prediction；VANS-Data-100K；procedural 与 predictive benchmarks。

[论文] 输入视频与 procedural/predictive question；VLM 输出可视化 caption，VDM 生成下一事件；改变联合优化策略及奖励。

[论文] Joint-GRPO 以共享奖励分阶段对齐 VLM 与 VDM；对比 SFT、只训练 VLM/VDM、独立 GRPO 及 all-in-one 联训。

[推断] 支持该数据分布下下一事件答案与视觉一致性改善；文本/视觉相似度及满意度不足以证明干预因果正确性或学员学习收益。

[论文] 有专门构建的 VNEP 训练数据及奖励；任务为输入情境之后的事件回答。

[推断] 下一事件参考及奖励具有足够代表性；现实分支可能多解，单一参考不等于可识别的反事实。

[论文] 如何让深度模型支持 association、intervention 与个体 counterfactual inference，并可推断 exogenous noise？

[论文] 合成 Morpho-MNIST 与 UK Biobank brain MRI；不是视频生成实验。

[论文] 干预 SCM 中的属性变量；abduction 保留该样本的外生变量，再替换机制并预测。

[论文] 用 normalizing flows 或 amortized variational inference 参数化 structural mechanisms；相较仅条件生成，明确实现外生噪声后验与 abduction–action–prediction。

[推断] 给出“同一个体反事实”可执行建模方式；不是从任意 observational video 唯一识别因果图或真实反事实的定理。

[论文] acyclic structural assignments；独立外生噪声；指定的 causal graph；flow 对噪声可逆，或采用近似后验。

[推断] 图与机制的正确性需要外部依据；多个模型同样拟合观察时，增加像素拟合能力不能消除反事实不可识别性。

[论文] 如何把自然视频分解为对象及其 shadows/reflections 等关联效果的独立层，并补全动态遮挡区域？

[论文] casually captured videos；10 个合成场景的 background-removal benchmark；real-video qualitative examples。

[论文] 输入视频与 object masks；trimask 指定 remove、preserve、uncertain effects 三类区域。

[论文] 微调视频 inpainting prior 得到 Casper，先生成 clean background/solo videos，再分解层；相较 reconstructive Omnimatte 无需静态背景、相机 pose 或 depth。

[推断] 支持对象与可见关联后效分离；不能外推至删掉支撑物后的新运动，也不能把自动 effect association 当作 VOID 独有贡献。

[论文] 需目标 masks；训练数据未覆盖 physical deformation；原文显示弯曲物体等效果去除失败，动态背景可能被误关联。

[推断] 学到的 effects association 不等于 causal descendants；对不该改的动态背景需要独立保存约束。

[论文] 如何在 world model 中把干预作为显式输入，而非仅从 factual pixels 做 forward simulation？

[论文] RVEBench、FiVE；另在 CausalVQA debug split 测试生成辅助推理。

[论文] 把观测转换为对象与关系的 structured-text digital twin；干预场景属性并传播到后续时刻。

[论文] perception→LLM intervention reasoning→conditioned video diffusion；消融 digital twin、reasoning mode、LLM size 和 modified initial frame。

[推断] 支持显式结构作为编辑控制的实证价值；名称 digital twin 不自动意味着精确物理模拟，指标也不是个体动力学真值。

[论文] 依赖 perception 构建 twin、LLM 推理、修改后的初帧与 diffusion 条件化。

[推断] 遗漏的隐藏关系无法通过文本图自动恢复；若结构错误，后续生成可能稳定地实现错误因果故事。

[论文] 删除与场景发生物理交互的对象后，如何同时修正下游互动，保留未受影响内容？

[论文] Kubric 刚体与 HUMOTO 人体交互构造 paired removal data；75 条真实视频评估。

[论文] 用户点选删除对象；VLM 扩展 interaction-aware quadmask；VDM 生成新轨迹，可选第二遍用 flow-warped noise 稳定形状。

[论文] 从 Generative Omnimatte 的 CogVideoX 权重初始化，进行 paired counterfactual training＋quadmask＋两遍生成；相较前作 trimask 和 photometric-effects 数据，引入动态互动后果监督。

[推断] 支持所测删除场景下更受偏好且更合理的后果；没有证明 VLM 精确解出复杂轨迹，也没有真实视频个体 counterfactual GT。

[论文] 操作以删除为主；由 VLM 决定需放开修改的区域；训练配对由模拟/动作数据构造；真实评测依赖偏好与 judge。

[推断] 有效性依赖影响区域召回、生成 prior 与训练后果类型共同作用；“自动推 mask”不足以区别既有 effect-aware 流程。未见物体被漏标时，保真约束可能保留错误后果。

[论文] 如何无歧义地指定跨视角、跨时间的对象几何修改，并一致更新 shadows/reflections？

[论文] Unreal Engine GIVE-Data/GIVE-Bench；translate、rotate、scale、duplicate、remove；真实视频转移。

[论文] 编辑前/后 depth-box 与 orientation-box 两路几何指令；固定非编辑因素生成配对监督。

[论文] 统一 object-state transition 条件输入 diffusion editor；与 text/mask/track 控制及依赖逐视频重建的方法比较。

[推断] 支持几何算子执行及几何依赖外观后效；copy-paste reference 不能充当真实干预后的动力学真值。

[论文] 训练/基准的受控配对来自 engine；需几何指令；作者展示新暴露的运动手部细节失败，多路 tokens 增加计算。

[推断] 预先给定对象目标几何不等于由物理机制求出所有 downstream trajectories；不能直接作为任意事件干预的解法。

[论文] 源视频在指定帧发生物理编辑后，如何生成其导致的新运动与交互？

[论文] PCVE-RigidBench：20 个源场景、129 个任务；真实视频额外定性；Add/Delete/Set 物理编辑。

[论文] 给定源视频、执行帧、物理编辑；重建物体状态/物理参数，干预后模拟轨迹并用于生成。

[论文] 训练外 physical scene reconstruction＋rigid-body simulation＋trajectory-guided generation；相较直接编辑器使物理推理显式化。

[推断] 在此刚体基准上有比偏好更直接的轨迹证据；但生成覆盖率与较小的中途干预子集限制结论，不能把首帧结果当作所有定时编辑已充分验证。不是一般现实物理识别保证。

[论文] 明确仅静态相机、平面支撑、sphere/box 几何；不覆盖 articulated/actively controlled humans or robots；阈值受尺度影响。

[推断] 可拟合原视频的物理参数不必唯一；隐藏质量/摩擦若未被激发，准确复现 factual motion 仍可给出不同 intervention outcome。

[论文] LLM robot planner 何时知道自己不知道，并以尽量少的求助达到指定成功覆盖率？

[论文] 模拟及真实 tabletop rearrangement、bimanual、mobile manipulation；多种语言歧义。

[论文] 从候选动作构造 conformal prediction set；非单元素集合向人求助；控制目标覆盖率。

[论文] KnowNo 用 calibration set 校准 LLM 分数，不微调模型；对比 Simple Set、prompting 等求助策略。

[推断] 可支持条件成立时的统计覆盖与较少求助；不是单次实例零风险、任意分布漂移或最少感知成本保证。

[论文] 正文假设 calibration/test scenarios 从同一分布 i.i.d. 抽样；可靠的人类帮助和低层控制；部分任务已知物体位置并用脚本动作。

[推断] 未列入候选的真实状态、错误人类反馈及执行风险需独立建模；XR 的“足够信息”必须关联后续生成/执行结果。

[论文] 在对话数据有限时，如何让 LLM 学会先澄清而不是擅自猜测用户意图？

[论文] PACIFIC tabular QA、machine reading comprehension、AmbigSQL。

[论文] 改变隐式 dialogue action（如澄清/回答），比较其后续对话达成信息目标的效果。

[论文] Action-Based Contrastive Self-Training：quasi-online DPO 对比不同行动及模拟后续轨迹；相较 SFT/标准 DPO 不只做同类回答偏好。

[推断] 支持澄清策略学习；不提供对真实用户误答、主动视角获取或视频生成成本的保证。

[论文] 利用任务目标答案与对话数据构造/评价候选轨迹；后续互动含模拟成分。

[推断] 若 simulator 的反馈分布不代表真实学员，策略收益不能直接转移；语言答对也不等于视频操作正确。

[论文] RAG 查询缺少用户条件时，如何依据文档中的条件规则主动获取必要信息？

[论文] Synthetic、ConditionalQA、ShARC 三个 QA benchmarks；规则型 RAG。

[论文] 将文档规则转为 conditional DAG；依据用户回答动态剪枝，选择下一澄清问题。

[论文] DAG reasoning＋traversal clarification；conditional-path synthetic data 与 accuracy/efficiency 混合 reward 的 RL；对比无显式条件结构的澄清。

[推断] 表示完备不等于 LLM 抽取正确、检索文档完备或现实世界观测充分；也不等于一般最优 information gain。

[论文] 有限取值条件变量；答案由检索文档中的逻辑条件决定；采用 User-Simulator LLM；理论分析针对所定义 DAG。

[推断] 开放 XR 中“哪些变量重要”本身可能未知，因此不能假定已有完整条件图；先发现结构与在已知结构中问值是不同问题。

[论文] 真实 image generation 请求缺省、隐含或依赖最新信息时，如何弥合 user context 与 generation context 的差距？

[论文] 图像生成；IA-Bench 的 Plan/Reason/Search/Memory，Mindbench 与 WISE-Verified。

[论文] agent 在 plan、reason、search、memory、feedback 中组织所需上下文；改变 context 组成和 renderer。

[论文] Context-Aware Planning＋Context Grounding，再生成/反馈；消融各类 context 与图像 backbone。

[推断] 支持获取/整合上下文改善图像生成；没有给出最小充分集合保证，也不是视频或 XR 主动感知结果。

[论文] 依赖外部检索、记忆与图像生成/编辑工具；论文指出 renderer 本身仍会计数/参考跟随失败。

[推断] 正确 context 与 renderer 能力要分开归因；工具调用更丰富不必然意味着交互成本最优。

[论文] 能否训练共享 agent policy 使用外部工具，满足单一视频生成器难以实现的知识、身份、物理与事件顺序要求？

[论文] VABench：600 prompts，六类各 100；多种 augmentation/generation/verification tools。

[论文] agent 依据 prompt 与中间观测选工具；改变 SFT/RL、reward components 与工具集。

[论文] teacher trajectories SFT＋multitask agentic RL；相较 standalone generator 学习多轮工具编排与验证。

[推断] 有 agent 训练与工具升级的分离比较；部分训练/测试共享 evaluator rubric，不能把分数直接等同独立物理真值或最少信息证明。

[论文] 固定可调用工具接口与类别 reward；物理检查的 image-plane momentum 指标明确假设 fixed camera，不是校准的 3D 守恒检验。

[推断] 若评测只奖励生成质量，策略可能用更多工具换分；要论证 D 需报告质量—成本曲线并测试必要信息被移除后的退化。

[论文] 面对含糊的 action–effect 关系，agent 能否设计实验识别对象的因果作用？

[论文] Interactive Visual Reasoning / IVRE；CLEVR 风格 Blicket detector 环境。

[论文] 给定不充分 context，主动选择物体组合做试验，更新 Blicket belief；有最多 trial 数及效率惩罚。

[论文] 构建交互评测平台并比较 RL、启发式、LLM 与人类；区别于被动看完整样本再答题。

[推断] 可隔离主动实验与视觉感知难度；有限规则环境的因果发现证据不能外推到自然视频生成。

[论文] 生成器规定对象与 detector 规则；可安全、重复执行候选 trial；目标和反馈可评价。

[推断] 现实 XR 的试验可能改变环境且不可逆；需要把信息价值与操作后果成本一同定义。

[论文] 部分观察下，能否用 imagined observations 更新 belief 并帮助 embodied planning？

[论文] GenEx-DB synthetic urban scenes、GenEx-EQA；360° 环境探索和决策；真实街景/室内额外泛化。

[论文] 由当前 egocentric view 生成想象中的探索观察，交给决策模型；改变探索轨迹与可用视角。

[论文] 训练 generative world explorer，将生成的全景观察用于 belief/decision；对比仅文本/当前视角等输入条件。

[推断] 支持所测任务里想象有辅助价值；imagined evidence 不是实际测量，不能证明未知事实被观测确认。

[论文] 生成模型由合成城市数据训练；决策可以使用生成观察；本文读取正文为 v3，摘要页与正文的表述存在版本差异。

[推断] 若把 imagined observation 与 sensed observation 混存，会循环强化先验；XR 纠错必须保留来源与置信度。

[论文] 如何在只用当前时刻之前的观察、有限计算下持续进行空间推理，并主动获取缺失视野？

[论文] S3-Bench：10K+ scenes、26K+ trajectories；模拟可控探索与真实 streaming videos。

[论文] timestamp-grounded QA；memory folding；显式 move/rotate/scan 探索动作。

[论文] AMF-VLM 压缩结构化 memory 并学习 active exploration；对比用相同训练数据的模型及模块消融。

[推断] 直接支持 streaming spatial reasoning 的问题定位；真实流视频部分不自动等于在线真人 XR 探索的随机试验，更未测教程生成。

[论文] 标注来自模拟 GT 或真实数据 3D annotation 的投影/遮挡计算；输入和问题有时间边界。

[推断] 提升空间 QA 不一定提高最终教程；有些观测减少几何不确定性，却不改变操作或生成决策。

[论文] VLM 能否解释意外事件，并在新视觉证据出现后推翻先前假设？

[论文] BlackSwanSuite：1655 videos；Forecaster、Detective、Reporter，MCQ/generative/yes-no tasks。

[论文] 人为限制可见片段，随后提供新信息；要求 abductive 与 defeasible responses。

[论文] 构造不可预期事件 benchmark，评测多种 VLM；相较常见可预测事件 QA 强调隐藏事件与证据改变解释。

[推断] 支持被测模型存在可撤销推理缺口；最高约 32 点差距针对该 benchmark 及人类上界设置，不是总体人群差距。人类基线取两人较高值、正文/附录样本口径不一致，应降低外推强度。不是视频生成纠错测试。

[论文] 来自 Oops! test videos；作者承认潜在训练接触与开放式生成评审主观性。

[推断] 从能改文字答案到能使生成 memory、latent context 和未来 pixels 同步纠错，仍需另设实验。

[论文] 如何让短视频 diffusion 延长为连贯长视频，同时避免 hard cuts 和运动停滞？

[论文] 50 个动作/对象/场景 prompts；80 到 1200+ frames 的生成。

[论文] 当前 chunk 接收前一 chunk 特征和第一 chunk appearance；改变 memory 模块、增强策略与长度。

[论文] CAM short-term memory＋APM first-chunk appearance＋randomized blending enhancer；对比 autoregressive I2V、SparseControl、FreeNoise 等。

[推断] 支持长视频延展与运动保持；保持初始外观是目标，不是识别初始记忆错误并撤回。

[论文] 第一 chunk 提供长期外观；上一 chunk 提供局部连续条件。

[推断] 当第一 chunk 本身错误或过时，强锚定可能固化错误；需从“保持一致”转向“与有效证据一致”。

[论文] 有限 context window 下，如何重访早先视角时仍保持世界一致，并表现随时间的变化？

[论文] Minecraft 与真实场景实验；长距离视角重访、动态变化。

[论文] memory units 储存 frame、pose、timestamp；根据状态检索并 attention 条件化。

[论文] WorldMem memory attention＋pose/time embeddings；对比 full-sequence、Diffusion Forcing 及不同 pose/retrieval 设置。

[推断] 支持显式 memory 的 spatial recall；重访自己生成的历史一致，不等于历史推断符合外部事实。

[论文] 依赖 camera/state metadata；原文承认遮挡时 overlap retrieval 不充分、交互不够真实多样、memory 线性增长。

[推断] 保存的 frame 被默认可作为有效参考；新反证需先决定哪段 memory 失效，单纯检索更好无法完成这个判断。

[论文] 编辑使历史 context 过时后，如何在后续生成与视角重访中保持更新后的世界？

[论文] UE-Mem；global style/lighting/season edits 与 local insertion/removal/replacement。

[论文] 分离 RGB/depth memory；全局编辑清空旧 RGB 并推进 semantic version；局部编辑使与 Ωe 重叠的 memory units 失效。

[论文] edit-aware update/retrieval＋mixed-modality conditioning；相较 RGB-only history 保留仍有效的 geometry，过滤过时 appearance。

[推断] 直接覆盖“编辑后旧记忆失效并选择性更新”的宽泛主张；未等同含噪外部证据下的诊断、来源冲突和隐藏机制纠错。

[论文] 全局 appearance 编辑通常保留 geometry；局部有编辑区域 Ωe 与 pose footprint；几何变化时才同时使 depth memory 失效。

[推断] 若修改范围未知、证据不可靠或影响沿因果依赖跨区域传播，空间 footprint 规则可能不足；这才是 B/S 可检验的区别。

[论文] 交互式新镜头需组合不同历史镜头的人物与背景时，如何避免取入无关内容？

[论文] interactive long video generation；跨 shot subject/background consistency。

[论文] LLM 把 prompt 分成 character/background slots，选择历史 references；semantic masks 控制历史 KV tokens。

[论文] training-free semantic routing＋masked memory weaving＋coverage-adaptive RoPE；对比全历史拼接、weighted fusion。

[推断] 支持组件级历史重用及内部 KV 控制；“选择哪些参考”并非“判断哪个参考事实是错的”。

[论文] 需要历史中存在可用 reference；按 coverage 调整 RoPE 与 retention。

[推断] 旧记忆包含错误时，semantic relevance 仍可很高；需把 validity/provenance 加入 routing 的决策变量。

[论文] 长视频如何避免 semantic drift 与 narrative collapse，维持出现—消失—再出现实体的一致性？

[论文] LVBench-C 与 public long-video benchmarks；1–10 分钟视频。

[论文] 每段 retrieve–synthesize–refine–update；adaptive generation mode；frame/video 两层 critic。

[论文] training-free agentic autoregressive diffusion，将 creative synthesis 与 consistency enforcement 分离；消融 memory、adaptive mode、hierarchical refinement。

[推断] 支持 agent loop 改善生成一致性；单场景人评不能覆盖所有 nonlinear narrative，更不等于外部反证 revision。

[论文] 依赖参考图、剧情状态与 critics；本次生成错误主要由内部评价环纠正。

[推断] critic 可能和 generator 共享常识偏差；需要独立观测来区分“不一致”与“原设定错误”。

[论文] LLM agent 能否开放式探索，积累可复用技能，并在新世界完成未见任务？

[论文] Minecraft；探索、科技树、零样本新任务。

[论文] automatic curriculum 选任务；环境/执行错误反馈改代码；成功代码进入可检索 skill library。

[论文] GPT-4 iterative prompting＋executable skill memory；相较只保留语言反思，存可调用程序；不更新 LLM 参数。

[推断] 支持环境内可执行技能的累积与复用；不支持教程生成的持续提升或真实学员学习改善。

[论文] Mineflayer 提供低层控制与结构化反馈；GPT-4 通过 API 调用。

[推断] 代码可复现执行不等于教学策略的可迁移有效性；学员改变可能造成结果变化而非策略改善。

[论文] 如何利用外部反馈修正 hallucinated video plans，并通过环境交互进一步改善生成器？

[论文] MetaWorld manipulation、iTHOR navigation；真实机器人视频额外展示。

[论文] 生成视频计划先由反馈自条件修正；执行后可采集环境数据再训练。

[论文] self-conditioning consistency 将反馈与当前计划用于改进生成；与直接执行 AVDC 类 video plan 比较。

[推断] 已覆盖“视频计划接受环境反馈并进一步训练”的宽泛问题；不能把所有设置都说成已验证在线自进化。

[论文] 可以从视频提取控制并在模拟环境执行；不同实验允许的 online access 不同。

[推断] 执行反馈同时受控制器影响；若不拆分 planner/generator/controller，不能把任务成功增益全归因于视频因果理解。

[论文] 长时动作条件生成怎样避免漏步、幻觉运动与 temporal drift，并以闭环反馈改进模型？

[论文] ActVideoGen-Dataset/Bench；EgoPlan-Bench、VideoGen-RewardBench、VBench。

[论文] PlanAgent 分解 sub-actions，VideoGenerator 按 memory 生成，CriticAgent 反馈重试；用 actions/rewards 做 GRPO post-training。

[论文] think–act–reflect 闭环＋generator 参数后训练；区别于一次生成或仅推理时修补。

[推断] 支持闭环与后训练的联合价值；不是跨真实学员长期教学改进证据。不能把每轮局部纠错等同跨任务累积。

[论文] 需 task-specific 数据和 critic reward；正文读取 v3，题名/数据集名不同于早期版本。

[推断] critic 的 action-quality reward 若偏离教学结果，参数改进仍可能只提高可见执行形式；需独立任务指标。

[论文] 能否从多个故事生产的重复失败中获得持久、针对阶段的策略改进？

[论文] CineScope-Data 100 scripts；AnimeShooter、ViStoryBench；长故事视频生产。

[论文] 记录 typed production trajectories；case→pattern→policy patches；通过 replay 和 paired tests 决定 persistent update。

[论文] CineForge-Produce 与 CineForge-Evolve 分离；区别于只修当前视频的 test-time loop；修改 stage-local policy。

[推断] 直接覆盖“跨故事累积改进视频生产 agent”；理论不覆盖 correlated opportunities，评分提升也不是教学效能验证。

[论文] outcome metric 在演化阶段冻结且不参与 discovery/admission；统计 lemma 依赖条件独立/预声明机会等条件。

[推断] 真实学员反馈受用户能力和任务分配混淆；需要证据归因、保留旧任务和跨用户迁移，不能只把 story 改名 tutorial。

[论文] LLM 持续将经验压缩成抽象记忆时，为什么有用的经历会变成有害 memory？

[论文] ALFWorld、ScienceWorld、WebShop、AppWorld、Mind2Web、ARC-AGI Stream。

[论文] 同样轨迹采用不同 consolidation schedule；可 Retain/Delete/Consolidate；对照 episodic-only 与 no-memory。

[论文] 受控比较 raw episodes、一次汇总与增量改写；把退化定位到 consolidation，而不是只比较最终 agent 总分。

[推断] 说明特定模型与任务中记忆更新能造成回归；不能概括为所有 memory 都有害，也不能推定同一比例适用于视频。

[论文] 研究特定 LLM、prompt、task stream 与 memory budget；ARC 子集并非总体 ARC 成功率。

[推断] 教学经验应保留原始证据、版本与回归集合；抽象规则的可读性不能替代可迁移有效性。

[论文] LLM 能否规划视频内容及布局，使多场景生成保持实体与空间一致？

[论文] VPEval Skill-based prompts、ActionBench-Direction、multi-scene generation。

[论文] 文本扩为 scene descriptions、entity layouts、backgrounds、consistency groups；控制 layout strength。

[论文] GPT-4 Video Planner＋Layout2Vid；以 image-level annotations 训练布局控制，对比 ModelScopeT2V、I2V 等。

[推断] 支持 planning-to-rendering 控制；没有度量观众何时知道秘密，也不证明事件世界和信息揭示独立。

[论文] 依赖 pretrained T2V backbone；论文承认训练分布、画质和 English corpus 限制。

[推断] scene plan 写了保密要求，pixels 仍可泄漏；语义计划满足与感知层信息控制需两种评价。

[论文] 多镜头叙事怎样压缩长期历史，同时保留新镜头需要的实体与环境上下文？

[论文] 60K multi-shot dataset；T2MSV/I2MSV benchmarks；reappearance/composition 等模式。

[论文] 从先前镜头选 informative frames，importance-guided patchification 后作为 next-shot 条件。

[论文] Frame Selection＋Adaptive Conditioner，将 MSV 改写为 autoregressive next-shot generation；相较单 keyframe/有限历史窗口引入 compact global memory。

[推断] 支持跨镜头外观/叙事一致性及高效 context；未提供观众知识状态或提前泄密指标。

[论文] 以 pretrained I2V（Wan2.1）微调；参考来自历史镜头，caption 带 referential relations。

[推断] 模型用于角色辨识的内部完整信息不应全部暴露给观众；需区别“生成器知道”与“画面允许显示”。