核心创新：将图文视频统一为token，通过预测下一个token来学习世界变化规律，实现“预测世界下一秒”的能力。 关键能力：支持预测场景动态变化、生成3D交互画面、进行图像编辑与生成，并能拆解生成教学步骤图。 训练数据：包含约790年时长的视频，旨在学习时间、空间、物理、因果和意图等世界本质元素。[1][2][3]