先看结论
较小的新增训练预算，更适合限定模块、限定任务或限定实例的适配；较大的预算，常出现在高分辨率通用控制、长时记忆和完整视频模型 RL／蒸馏。这是本论文池内的观察 [推断]，不能用一个 topic 标签代替具体预算。
单卡和小模块，有明确入口
工具 embedding、单视频 LoRA、少量动作接口与小型策略适配有分钟到小时级配置。最接近“输入不足时主动获取信息”的，是澄清策略与工具选择；最接近选择性视频修改的，是单实例适配和冻结生成器的控制。
单卡不等于短训练
ControlNet 的单 RTX 3090 Ti 实验训练 5 天；层级 humanoid world model 的单 RTX 3090 tracking 训练 12 天。反过来，Self Forcing 的一段训练虽只有约 1.5 小时，却并行用 64 H100。
视频一致性与 RL，跨度很大
VADER 的实际训练是 2 A6000、平均 12 小时；WorldCompass 为 64 H20、3 天。LoRA 的标签本身不能说明便宜，长视频的 activation、rollout 与 reward 计算仍可能很贵。
零权重更新，另看运行成本
外部记忆、程序化修复、搜索与 verifier 可以不训练 backbone；但仍有 API、采样、渲染和用户实验成本。What-If World 没有 fine-tuning，公开模型评测生成仍报告约 1,300 GPU-hours。
统计口径、缺失数据与原 taxonomy
各 topic 的资源分布
按已披露微调阶段的最高并行 GPU 数，每篇计一次 [推断]。这是硬件并行规模，不是费用排名：8 张 H200 和 8 张 RTX 3090 的门槛不同。灰色包含从零训练、推理、辅助训练、无权重更新及资源缺项。
| Topic / 任务 | 全部 | 可比卡数 | 单卡 | 2–8 | 9–64 | 65+ | 有 GPU-hours | 单卡／≤8卡占已披露项 |
|---|
点击 topic 可跳到下方对应论文。既有 topic 和 task 标注保持不变；没有补造未确定类别。方向关联是多选，因此各方向不能相加当总数。
放回你的研究方向
[推断] 以下是资源可行性的路线比较，不表示这些论文已经解决你的完整问题。可以先固定底座、分辨率与 rollout 数，再研究澄清、记忆修订或后果传播。
| 方向 | 较小资源的切入点与实测参照 | 资源容易增大的路线 |
|---|---|---|
| Proactive clarification XR-L / AIGC-D | Information-Gain Clarifier：4 RTX A6000，7–12h/run；ToolkenGPT：1 RTX 3090 24GB，工具 embedding 2min。前者较接近澄清目标，后者仅提供轻量工具选择机制。 | Learning to Clarify 的 full ACT 最长实验为 8 A100 80GB × 16h；还需用户模拟、任务执行与真实 XR 用户验证。 |
| Self-Correcting World Models XR-S / AIGC-B | SC²-WM：1 RTX 3090、<40h；是导航 latent state 的闭环修正。LeWorldModel 单卡数小时训练小模型，是从零 latent model 研究参照。 | WorldDirector：64 A100 80GB × 72h；Mem-World：8 H100 × 48h。生成可交互像素视频与 latent 导航的目标不同。 |
| Causality-Aware Editing XR-C / AIGC-A | VideoPhysEdit 冻结模型、模拟后果；Tune-A-Video 每视频 1 A100 × 10min；Causal-Adapter 1 A100、一天内，但只验证图像 counterfactual。 | VideoCoF 16 H100 / 8K iterations；CausVid 64 H100 × 2天。前者编辑推理，后者生成蒸馏；均不自动构成因果保持证明。 |
| 持续改善／Self-evolution XR-E | Reflexion / Darwinian Memory 不更新 backbone；SILVR in-domain 小 UNet 单 A6000 或 RTX 3090，时长未定位。 | VideoGen-Agent 用 8 H200 141GB 训练 agent，外部生成工具另计；JarvisEvo 为 32 A100，时长未定位。不是仅靠“self-evolution”即可低成本。 |
| 事件时间／揭示时间 AIGC-C | 先用脚本、事件图、叙事 planner 编排固定生成器 [推断]；Sabre 提供无神经网络微调的符号规划参照，但不是视频证据。 | OneStory full-model fine-tuning 用 128 A100、1 epoch；MovieGrid 用 8 B200。两者尚不等于完整的事件／揭示时间解耦。 |
直接查每篇论文
资源统计核查于 2026-10-17。数字按所链接版本记录；缺失项保留。论文全文和本地私人笔记未公开。