Visual SSL / representation · P2 · 2026-05-31

minWM：它和通用视觉自监督的关系在于：把视频 foundation model 改造成可交互 world model 的完整训练链，含 AR 训练和 few-step distillation

中相关；详见方法、贡献和实验边界。

minWM: A Full-Stack Open-Source Framework for Real-Time Interactive Video World Models　arXiv　原文链接

编号2605.30263 优先级P2 类别Visual SSL / representation 会议arXiv 方法把视频 foundation model 改造成可交互 world model 的完整训练链，含 AR 训练和 few-step distillation 来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：把视频 foundation model 改造成可交互 world model 的完整训练链，含 AR 训练和 few-step distillation。中相关；详见方法、贡献和实验边界。

**Figureure 1 · : Overview of minWM**Figure 1: Overview of minWM. minWM is a full-stack pipeline that converts T2V/TI2V foundation models into camera-controllable few-step autoregressive world models, covering data construction, controllable finetuning, AR training, distillation, and low-latency inference.这张图概括 minWM 的整体方法流程。阅读时先看模块之间传递的训练信号，再看作者如何把目标拆成可优化的子问题。

**Figureure 2 · : Camera-controllable generation with the distilled few-step AR model**Figure 2: Camera-controllable generation with the distilled few-step AR model. The model supports generation under different camera actions, showing that the distillation algorithm effectively preserves the camera controllability of the base model.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 minWM 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：把视频 foundation model 改造成可交互 world model 的完整训练链，含 AR 训练和 few-step distillation。

方法拆解

把视频 foundation model 改造成可交互 world model 的完整训练链，含 AR 训练和 few-step distillation

主要贡献

中相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。