顺风耳

与梅涛院士的3小时访谈：语言、视频、具身终将汇聚，为什么是世界模型？

卫诗婕对谈加拿大外籍院士、智象未来 HiDream 创始人梅涛：从全球首篇文生视频论文一路讲到多模态、全模态与世界模型的路线分化。梅涛主张「图片是入口，视频是过程，世界模型是终局」，并拆开硅谷做减法、国内多模架构仍在分化的现实。信息密度高，适合想把视频生成、世界模型与具身叙事理顺的听众。

卫诗婕｜漫谈Light the Star·发布于 3个月前

#569. 深入 xAI：三个月打造 Grok Imagine、视频生成与世界模型之争，以及视频智能体

跨国串门儿计划翻译整理的 Latent Space 访谈，嘉宾 Ethan He 从 Nvidia Cosmos 走到 xAI，复盘团队如何在三个月内从零做出 Grok Imagine。节目把视频模型训练链路讲得很清楚：数据与 caption、VAE、diffusion transformer、蒸馏加速，以及音视频联合生成的时间对齐难点。更有判断力的部分是：他认为视觉智能很大程度来自语言模型与 prompt rewriter；world model 可理解为实时、可交互、长时程的视频；Video Agent 会像创作者一样调用生成模型与确定性工具，做成可用的生产级视频。适合想理解视频生成技术路线与 Agent 化创作趋势的人。