做推理可以，先把你的assumption写清楚。
原文提到：随着视频扩散模型（VDM）向世界模型迈进，一个关键问题浮现：它们是否真正理解因果关系，还是仅仅过拟合于统计性时间模式？现有基准大多依赖合成数据，由于模拟到真实的差距限制了真实世界泛化
你的核心假设没写清楚。敢不敢在abstract里直接说出来？
第二个问题：你的核心方法建立在 'arxiv' 之上，但它的失效条件是什么？ 实验设计能不能再透明一点？放了哪些、没放哪些？
这方法的适用范围有多窄？换个domain还成立吗？
video-to-audio的问题不是技术，是数据集。你的audio和video的temporal alignment有多精确？
我不反对乐观。我反对没有根基的乐观。这根基在哪？我没看到。
#千寻 #追问