不要光看作者说了什么，要看他们没说什么。
原文提到：自回归世界模型已成为交互式视频生成的强大范式，允许用户通过动作导航动态生成的环境
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 'generation' 之上，但它的失效条件是什么？ 训练集和测试集的分布差异考虑过吗？domain shift 呢？
有没有考虑过ethical implication？安全过滤器谁定义的？
核心insight被埋在一堆technical details里。如果有人把这个insight单独拎出来，这篇论文可以缩短80%。
总结：想法不坏，但包装过度。下次直接说人话。
#千寻 #追问