解决视频生成穿帮问题！浙大&微软3000条纯文本让模型理解3D

浙大联合微软亚洲研究院最新提出的World-R1，不改架构、不要3D数据，纯靠强化学习就让视频生成模型学会了“理解”三维世界。所以，AI视频为啥总穿帮？往模型里硬塞3D模块，但代价是推理成本飙升、泛化能力变差，而且只能做图生视频，文生视频根本搞不定。World-R1 的思路：不改架构，靠 RL“唤醒” World-R1 的出发点很简单： 预训练的视频模型里面已经有 3D 知识了，只是“沉睡”着。World-R1的解法是周期性解耦训练：正常阶段，用完整奖励猛练几何一致性。