视觉世界模型 “VideoWorld 2” 由豆包大模型团队与北京交通大学联合提出。不同于 Sora 2 、Veo 3、Wan 2.2 等主流多模态模型，VideoWorld 系列工作在业界首次实现无需依赖语言模型，即可认知世界。
如果 2024 年我们还在感叹 Sora 模拟物理世界的真实感，那么在 2026 年的今天，单纯的高清视频生成已不再是终点。
近年来，视频生成（Video Generation）与世界模型（World Models）已跃升为人工智能领域最炙手可热的焦点。从 Sora 到可灵（Kling），视频生成模型在运动连续性、物体交互与部分物理先验上逐渐表现出更强的「世界一致性」，让人们开始认真讨论：能否把视频生成从「逼真短片」推进到可用于推理、规划与控制的「通用世界模拟器」。
去年下半年，模型界最大的惊喜莫过于Sora 2和Veo 3，他们已经把视频生成推到了新高度：光影完美，纹理细腻，甚至有着很高的时空一致性。
随着 AIGC（Artificial Intelligence Generated Content） 的爆发，我们已经习惯了像 Sora 或 Wan 这样的视频生成模型能够理解「一只宇航员在火星后空翻」这样天马行空的指令。然而，3D 人体动作生成（3D MoGen）领域却稍显滞后。
坏了，阿里这波是冲着Sora 2去的！
自 Sora 2 发布以来，各大科技厂商迎来新一轮视频生成模型「军备竞赛」，纷纷赶在年底前推出更强的迭代版本。
4人28天手搓Sora APP，约85%代码竟是AI写的！10月初，OpenAI重磅发布迭代后Sora 2，以及首个AI视频应用Sora APP。时隔两个月，OpenAI团队揭秘这款爆火应用（首个安卓版），如何构建的背后故事。
Sora APP，这就凉凉了？！
刚刚，一个名为 Whisper Thunder (aka) David 的神秘模型登上了 Artificial Analysis 视频榜榜首，超越了 Veo 3、Veo 3.1、Kling 2.5 以及 Sora 2 Pro 等目前市面上所有公开的 AI 视频模型。
