要让视频生成模型真正成为 模 拟真实物理世界的「世界 模型」 ，必须具备长时间生成并保留场景记忆的能力。然而，交互式长视频生成一直面临一个致命短 板： 缺乏稳定的场景记忆 。镜头稍作移动再转回，眼前景物就可能「换了个世界」。 这一问题严重制约了视频生成技术在游戏、自动驾驶、具身智能等下游应用的落地。8 月初，Google DeepMind 发布的 Genie 3 引爆 AI 圈，以其在长视频生成中依 旧保持极强场景一致性的能力，被视为世界模型领域的质变之作。不过遗憾的是， Genie 3 并未公开任何技术细节 。 来自 港大和快手可灵的研究团队 近期发表的 Context as Memory 论文，可能是目前学术界效果上最接近 Genie 3 的工作，且投稿时间早于 Genie 3 的发布。早在此 前研究中，团队就发现：视频生成模型能够 隐式学习视频数据中的 3D 先验，无需显式 3D 建模辅助 ，这与 Genie 3 的理念不谋而合。如下是一个结果展示： 技术上，团队创新性地提出将 历史生成的上下文作为「记忆」 （即 Context-as-Memory），利用 context learning 技术学习上下 ...