世界模型与视频生成模型的区别是什么？

二者的核心区别在于目标函数不同，由此带来输出形态、交互性与评价标准的系统性差异。

1. 目标函数不同

视频模型优化"这段画面像不像真的"，世界模型优化"这个世界在交互下是否稳定自洽"。

2. 输出形态不同

视频生成模型（如 Sora）输出一段固定的录像，观众只能播放或暂停；世界模型输出可交互、可导航的环境，能够实时接收动作输入并响应。

3. 评价标准不同

视频模型的成败标准是视觉质量与人类偏好；世界模型的成败标准是物理一致性、可预测性与闭环精度。

4. 一致性目标不同

视频模型只需在单条视频内好看即可，而世界模型要求探索离开再回来时世界仍然存在。二者的技术底座高度重叠——许多世界模型直接以视频生成架构作为"下一帧预测器"，但目标函数的分岔使路线逐渐分离。李飞飞团队据此将 Sora 一类视频模型归入"渲染器"范畴。