微軟推出 World-R1：用強化學習補齊影片生成的 3D 空間短板

World-R1 是微軟開源的影片生成框架，專門用來給文生影片模型補上 3D 空間幾何能力。

現在的文生影片模型畫面已經很逼真，但只要鏡頭一動，畫面往往就露餡：物體幾何形變、空間穿模、視角對不上。World-R1 的核心目標，就是讓影片模型在生成畫面的同時，真正理解並遵守 3D 空間規則。

它解決了什麼問題

以往要想讓影片模型具備 3D 空間一致性，主流做法往往是直接改造模型底層架構，硬塞進 3D 模組。

這麼做不僅需要大量的 3D 標註資料，計算成本也極其高昂，模型很難繼續做大。

World-R1 換了一條更聰明的路子。它完全不改動底層影片基礎模型的架構，也不依賴大規模 3D 標註資料，而是藉助強化學習把空間約束訓進模型裡。這項工作以開源影片模型 Wan2.1 作為基底。

它是怎麼做到的

World-R1 的核心是把 3D 約束轉化成強化學習的獎勵訊號。

研究團隊引入了專門為世界模擬定製的純文本資料集，並採用了名為 Flow-GRPO 的最佳化方法。

在生成過程中，模型不需要人類或 3D 引擎手動打標籤，而是由預訓練的 3D 基礎模型和視覺語言模型（VLM）充當裁判，即時給出結構一致性反饋，倒逼影片模型修正幾何變形。

為了防止模型死板地追求 3D 結構而把畫面搞僵硬，團隊還設計了週期性解耦訓練策略。這套策略在物體的剛性幾何一致性和場景本身的動態流動性之間找到了平衡。

評測結果顯示，World-R1 在完整保留原有模型畫質和視覺表現力的前提下，顯著提升了畫面的 3D 空間一致性。

去哪裡瞭解和嘗試

如果你正在研究世界模型或 3D 影片生成，微軟已經將相關研究論文公開在 arXiv 上，編號為 2604.24764v1。

該方案完全基於開源的 Wan2.1，對想在開源影片模型上做空間控制和幾何對齊的開發者來說，參考價值很高。

為什麼重要

我們認為 World-R1 最聰明的地方在於解耦：它證明了給影片模型注入物理規律和空間常識，未必要推翻重構基礎大模型，完全可以通過後訓練的強化學習來打補丁。

對於遊戲開發者、具身智慧和世界模擬的研究者來說，這個思路大幅拉低了從普通文生影片跨越到可互動 3D 世界模擬的計算門檻。如果後續這套強化學習對齊方法能推廣到更多開源影片底座上，文生影片穿模變形的通病有望被徹底解決。