近年来，视频世界模型（Video World Model）逐渐成为生成式 AI 的一个重要方向。它的目标不再只是“生成一段视频”，而是学习视觉世界在用户动作条件下如何持续演化，从而支持交互式探索、场景预测和长期规划。这类能力在自动驾驶、具身智能和虚拟世界构建等任务中都具有很高价值。但现有交互式视频世界模型虽然已经能够根据用户输入进行连续生成，仍然面临两个非常关键的问题。第一个问题是 运动漂移（mo