世界模型和图像视频生成区别

团队要选技术路线时，常见的卡点是：两家厂商都写着「能生成可交互的视频」，一个叫图像视频生成，一个叫世界模型，报价单和演示视频看起来差不多，但你不知道哪个能接进自己的产品。这篇不堆名词，按「它到底在解决什么问题」把两者摆在一起对照，给出选型时要问的几组问题、以及判断失效的边界情况。

先把两者要解决的问题分开看

这两个东西经常被放在一起聊，但如果不先把「要解决什么问题」拆开，后面所有对比都会糊成一团。图像视频生成面对的是交付物问题：输入一句话或一张草图，输出一张图、一段片子，评价它好不好，看的是人眼和观感。世界模型面对的是表征问题：让系统内部对周围环境有一套能用的理解，知道什么东西在哪、动了之后会变成什么样。同一个模型可能两边都沾，但出发点不同，做的事情就不同。

最省事的判断方法只有一句话：问「下游要拿这个输出做什么」。如果答案是直接投放——发出去、给人看、进素材库，那你要的就是生成能力；如果答案是接着做决策与控制——喂给规划器、控制器、机器人策略，那你要的其实是表征能力。这个问法不需要懂模型结构，问一遍业务的下一步动作就能分清楚。到「站内工具目录与指南中心」里对照一下自己项目的下游链路，通常比纠结模型名字更有用。

1. 第一步：写下下游动作用一句话写清楚这个输出接下来被谁用、用来干嘛。写不出来，说明需求还没定，先别选型。
2. 第二步：看评价口径如果验收标准是「看起来像不像、好不好看」，偏生成；如果是「预测下一步偏差多大、控制任务成功率有没有提升」，偏世界模型。
3. 第三步：检查是否闭环输出会不会反过来影响系统自己的下一步行为。会，就是闭环场景，对表征的要求完全不同。
4. 第四步：确认交付边界输出是最终交付还是中间产物。中间产物通常还要接别的模块，接口形式比画面质量更关键。

也要说清楚不适用的情况。不是所有做决策的系统都必须上世界模型，规则明确、状态空间很小的场景，用传统控制或查表反而更稳；反过来，如果团队当下只要一份能拿出去讲的材料，把生成模型包装成「世界模型」也能撑一阵，但要提前知道这个包装的边界在哪。判断标准不是哪个词更高级，而是你的下游到底要像素还是要状态。缺哪个，到站内相应的资料页去核对当时的模型清单和能力说明，别靠名字猜。

输入输出契约：谁接受什么、吐什么

先别急着聊模型强不强，先看你手里有什么、要交什么。视频生成这条链路，输入端基本是自然语言提示、参考图、首尾帧这几样，输出端是一段按时长和分辨率交付的成片。世界模型那条链路不一样，它的输入里通常还有「动作」和「时间步」，输出是对下一个状态的预测。

这个差异落到工程上，就是两条完全不同的验收标准。做视频生成，你关心的是这一批里能用的有几条、镜头运动听不听话、改一版要多久；做世界模型，你关心的是预测一步准不准、连着预测很多步之后误差是收敛还是发散。前者可以人工挑一条能看的交差，后者挑不出来，偏差会一直传下去。

• 看输入接口：能不能喂进一帧当前画面加一条动作指令，而不是只给一段文字
• 看输出定义：吐的是给人看的成片，还是喂给下游决策的下一状态
• 看时间维度：有没有显式的时间步概念，还是一段固定时长的视频
• 看误差处理：预测错了是重生成，还是要在状态里累积下去
• 看验收人：是内容团队审片，还是策略或仿真环节拿去做闭环

1. 先盘点你有哪些输入通道把系统实际能提供的信号列出来：文字、图片、可以是视频流吗，有没有控制量或动作这一类带方向性的输入。列不出来就说明缺一路。
2. 再确认输出要交给谁如果下游是人看片、剪辑、投放，那多半是视频生成路线；如果下游是另一个程序拿去做判断或规划，才需要状态预测这种输出形态。
3. 用能不能提供动作做分水岭你的系统能不能稳定地给出「动作」这一路输入。给不了，基本就用不上世界模型那一层，硬套只会让接口对不上、评测也没有意义。

一致性与物理合理性，不是一回事

这两件事经常被混着说，其实是两个层级的指标。视频生成的一致性，主要管的是「看着顺不顺」：相邻帧之间别闪、主体别突然糊掉或者多长一只手、镜头运动别跳。观感过关，基本就有人愿意买单。世界模型要在这之上多扛一个指标——长时间推演之后，画面里的状态还自洽吗？

一致性

帧与帧之间的稳定度，重点是画面观感，短片段里最容易达标

物理合理性

状态与状态之间的自洽度，重点是长时间后还讲不讲道理，比如物体不凭空穿墙、遮挡关系不乱、物体被挡住后不会消失

误差累积

每步小偏差被下一步当成新的输入，越往后越偏，短片看不出、长序列才暴露

一个常见的误判是拿演示片段下结论。演示通常剪得短、机位稳、场景简单，这几条恰好都在帮一致性打掩护，也顺便把物理问题藏起来了。物体在这一秒没穿模，不代表推演一百步之后还不穿。判断时要问的是：它是在「演一段」还是在「维持一个世界」。

1. 先看时长上限问清楚一次能推多久、能不能接着往下续。只给短片的，先按视频生成看，别急着当世界模型。
2. 再看能不能交互式逐步生成能不能一边生成一边加输入、改动作，下一帧会不会受上一帧和外部指令共同影响。只能一次性出完整段的，通常不具备这个能力。
3. 最后才看画质画质是加分项不是判定项。前两条过不了，画质再高也只是好看的短片。
4. 核对站内记录具体每家的时长、交互能力这类数字会变，直接到 模型资料库（/models） 看当时的记录，别用记忆里的印象下结论。

评测口径不同，榜单不能混着看

看到一个新榜单，先别急着比较谁强谁弱，第一件事是确认它测的是哪一类。测视频生成的榜单，本质是在给画面打分；测世界模型的榜单，本质是在看任务能不能做成。这两类口径不一样，数字放在一起比没有意义。

所以看到一个榜单，先确认它落在哪一栏。如果它排的是画质、观感、出片效率，那它属于视频生成那一类；如果它排的是在某个环境里把任务做成的比例，或者随预测步长拉长误差怎么走，那它属于世界模型那一类。分类判断只解决读法问题，不解决谁更值得用，具体选型还要看你的场景。

• 先看榜单说明里的评测目标，是打分还是判成败
• 再看测试对象：是给定提示词出片，还是给定环境做决策
• 然后看指标单位：主观评分、秒数、概率，还是误差数值
• 最后看它有没有跨类别混排，混排的结论基本不能直接引用
• 拿不准就先去站内榜单归类页对齐，再去看对应指标文

想自己核对归类，可以到 /benchmarks 和 /benchmarks/registry 看榜单是按什么维度登记的，再到 /video-understanding-benchmark-metrics 这类指标文里对齐读法。这样做的价值在于：你能在同一口径下横向比较，而不是被一张混着两类指标的图带偏。

成本结构长在哪一段

聊成本别一上来就问「一次多少钱」，那个数字只在两家报价单里长得像。视频生成的账基本按次或按秒走，钱主要烧在单次生成上 —— 出一版不满意、参数没调对、抽卡抽废了，重抽就是重新付一遍。所以真正决定预算的不是标价，是「你打算重抽几次」。

世界模型类能力是另一种结构：按调用次数加推演步数计费，步数越多越贵，而且推演不是白跑的，背后还要算上仿真环境的运行开销。这意味着它的成本曲线是跟「你想让它想多深」绑在一起的，不是跟「你让它画几张」绑在一起的。

• 别只抄单次报价：先估「跑到可交付状态要几次」，通常生成类要乘 3 到 10 次不等的重试系数
• 推演类先问清步数是不是阶梯计价，有没有步数上限，上限之外怎么算
• 把仿真环境的运行开销单独列一行，它不一定出现在那张报价单上
• 问清楚失败或中断的调用算不算钱，这决定了你的重试策略
• 两家口径对不上时，以你实际要走的调用路径为准，别拿 A 的单价套 B 的流程

1. 先定交付验收线把「什么样算能用」写死：时长、清晰度、动作连贯度各几条硬指标。验收线越模糊，重抽次数越不可控。
2. 回放你的真实重试率拿过去一周的实际任务算一下平均几次才过。没有数据就先按保守上限估，别按理想值做预算。
3. 跑一次小样对口径用同一段需求分别打一次生成类和推演类，记下实际扣费条目，到站内 /official-api 与 /official-api/providers/openai 这类页面对一眼各家口径的差异。
4. 算单位可交付成本总花费 ÷ 可交付条数，才是能横向比的那个数。单次报价相同的两家，这个数字可能差好几倍。

按场景选：什么活该用哪一类

选哪一类，先别看模型名字，先看交付物是什么。交付物是给人看的成品——广告片、短视频、产品演示，那基本就是图像视频生成的地盘，链路短，中间环节少，可控点集中在提示词、参考图和首尾帧上，改一版就是重跑一次。交付物是决策能力——让智能体在虚拟环境里练操作、做机器人或游戏的策略预演，那要看的指标就完全变了，重点不在画面好不好看，而在环境能不能接进去、动作反馈对不对得上。

1. 先写清交付物用一句话描述最终要交的东西：是一段给客户看的视频，还是一个能持续做决策的策略。写不出来就先别选模型。
2. 再数可控点图像视频生成的可控点通常落在提示词、参考图、镜头描述上；世界模型方向的可控点在环境接口、动作定义、奖励或反馈规则上。数一遍你能实际调哪几个。
3. 估对接成本世界模型方向绕不开环境对接：虚拟环境怎么接、动作怎么传、反馈怎么回。把这块的工程量单独列出来问清楚，不要只听生成效果。
4. 混合场景先拆开如果是先用视频生成做素材、再用世界模型做决策，就按两条链路分别选型、分别验收，不要指望一个模型两头都干好。

边界提醒很实在：只是要一段有镜头感的视频时，引入世界模型通常只会增加工程量。环境对接、动作空间、反馈回路这些东西在纯出片任务里用不上，却会实实在在占掉时间和人力。反过来，要让智能体反复练操作，用视频生成凑数也撑不住，因为缺的是可交互的环境和一致的因果反馈，不是画面。

• 判断口诀：看成品选视频生成，看决策选世界模型方向。
• 混合场景分两条链路选型，各自验收，别求一个模型通吃。
• 世界模型方向必问一句：环境对接要谁来做、大概多少工作量。
• 纯出片任务里，凡是让你先搭环境再出片的方案，都先打个问号。
• 拿不准时，去站内模型资料库和评测页面看当时的对比，别凭印象选。

对接前该问的六个问题

这一节不聊概念，直接给你一份对接前要问清楚的清单。下面六个问题，问完基本能判断对方是「一次性出片的生成模型」还是「可交互的世界模型」。每个答案都别只听口头描述，要到站内页面把参数形态、计费口径、授权条款逐项对上。

1. 先问输出是成片还是可交互让对方用一句话回答：一次调用返回的是完整视频，还是返回一个能被后续请求继续影响的状态。如果只能返回成片、不接受后续输入，那就是生成模型思路；如果能带状态接着调，才是世界模型思路。回答含糊的，让它给一个最小可跑示例。
2. 再问输入侧收什么信号确认请求里能不能带动作、控制量、相机参数或上一帧状态。重点不是「能不能传图」，而是传进去之后会不会改变后续演化。让对方列清楚字段名和取值范围，别接受「支持多种输入」这种没信息量的回答。
3. 接着问单次上限和超限规则单次调用对应多少时长或多少步，超了是截断、报错还是按段续费，这些必须在接入前问明。不要自己假设，让它写进接口说明。
4. 然后问镜头控制粒度能不能指定镜头、运镜、视角，控制到整段、分镜还是逐帧，粒度不同直接决定你能做剪辑还是只能当素材源。问清最小可控单元。
5. 最后问失败重试、排队和授权失败重试是否重复计费、排队期间是否占用额度、商用授权是否覆盖你的使用场景，这三条落到书面条款再签。

• 对方只给演示视频、不给接口字段说明的，先当成不可对接处理
• 把「支持交互」拆成：请求能否带状态、状态能否影响后续输出、状态能否被外部读取
• 计费口径问清是按次、按时长还是按步，混合计费的要问清哪部分叠加
• 镜头控制问清是自然语言描述还是结构化参数，后者才可稳定复现
• 授权问清是否含二次分发、是否含商用素材训练，别只看能不能生成

三个最常见的误读

聊世界模型和图像视频生成区别时，最容易出问题的不是概念本身，而是三个想当然的误读。这三个误读不会让你立刻报错，但会让你在选型、迁移和验收上一步步走偏。下面把每个误读拆开，给出可操作的判断办法。

误读一：把「连贯」当成「懂了物理」

画面连贯、长视频不崩，说明的是生成器在观感层面维持住了前后一致，这属于输出质量。而是否掌握规律，要看你能不能对画面里的关键变量做干预，并且结果按预期变化。只靠看片，这两件事分不开。

• 连贯看的是「不出戏」：物体不闪烁、镜头不跳、风格不漂移，靠肉眼就能判断；
• 规律看的是「可干预」：改一个条件，输出跟着变，而且换一组条件还能复现；
• 验证套路是控制变量：同一提示词只改一个物理量，观察结果是否定向变化；
• 再看反事实：把现实里不成立的设定喂进去，看它是照单全收还是给出合理反应；
• 如果只能看不能改，那它更接近视频生成工具，而不是世界模型。

什么情况下不适用：如果你要的只是短片段素材、广告空镜、风格化转场，那连贯本身就够用，不必强求可干预。硬套规律验证反而增加成本。想确认某类模型在干预测试上的表现，可以到 /tools 找对照与记录，别只看演示片。

误读二：把世界模型当「更高级的视频生成工具」

两者不是同一档位的替代关系。视频生成工具的评价核心是画面好不好看、像不像、稳不稳；世界模型的评价核心是任务成效——拿它去做预测、规划、控制，能不能把任务做对。好看是副产品，不是靶子。

判断方法很简单：先问「这个产物最终交给谁用」。如果最终是给人看的，按画面标准评；如果最终是给另一个系统做输入，就得按任务成效评。分不清这一点，就会拿审美标准去验收一个决策组件，或者反过来。

误读三：接口长得像就能直接换

参数名接近不代表语义一致。同名参数在两个体系里可能一个按秒、一个按帧，一个从 0 开始、一个从 1 开始，一个默认开启、一个默认关闭。迁移时最常踩的坑不是报错，而是默认值不同导致结果悄悄跑偏，你还不一定发现。

1. 先做参数对照表把源接口和目标接口的每个参数列出来，标注含义、单位、取值范围、默认值。同名不同义的单独标红。
2. 锁死默认值第一次调用时把所有关键参数显式写全，不要依赖对方默认值。跑通后再逐项放回默认，观察差异。
3. 用最小样例验证构造一个输入简单、结果可预期的样例，两边各跑一次，对比输出的结构和量级是否对得上。
4. 检查边界行为空输入、超长输入、异常数值各试一次，看两边是报错、截断还是静默修正，这决定了出错时的排查方向。
5. 记录迁移差异把踩过的差异写成清单留给下一个人，避免每次换接口都重新试一遍。

什么情况下不适用：如果你只是把两个接口当黑盒各跑各的、不做结果对比，那这套对照确实显得多余。但一旦要做 A/B 替换或者混合调用，参数语义不一致会直接污染对比结论。

连贯是观感，规律要能被干预验证；接口像不像不重要，语义对不对才决定迁移成败。