Исследователи Техасского университета в Остине и Adobe Research представили AgiWorld — связку ИИ-агента и видеомодели, которая строит окружение по одной картинке и текстовому поручению. В препринте от 2 ноября авторы показали, как сохранять ранее созданную сцену, когда камера уходит из неё и возвращается. Это одна из трудностей длинной генерации: красивый следующий кадр ещё не означает, что знакомые предметы останутся на своих местах.

Агент планирует устройство мира и маршрут, а видеомодель создаёт ролик пятисекундными фрагментами. Изображения вместе с геометрией попадают в общую пространственную память. Перед следующим фрагментом система выбирает подходящие прежние виды с учётом заслонённых поверхностей и надёжности геометрии; агент сверяет полученное с планом и меняет дальнейшие действия. Пользователю не требуется отдельно задавать каждое движение камеры.

В сравнении видеомоделей использовались 60-секундные траектории: возвращение к знакомому месту и движение в неизвестную часть сцены. Второй тест включал 40 отложенных уличных сцен из внутреннего набора авторов. Средняя ошибка перемещения камеры у AgiWorld составила 1,05 метра против 1,32 у Lyra 2.0. По большинству показателей новинка оказалась лучше сравниваемых моделей, но в тесте возвращения уступила Lyra по точности поворота камеры, а SANA-WM — по автоматической оценке эстетики.

Полную связку с агентом авторы проверяли преимущественно на демонстрациях. В одном 80-секундном ролике камера заходит в храм и выходит во двор, где сохраняются фонари и деревья. Такие примеры показывают работу замысла и памяти вместе, но не доказывают возможность бесконечно поддерживать произвольный мир.

Пока доступны статья и демонстрации; на странице проекта код помечен как ожидаемый. Это исследовательский результат с измерениями самой команды, а не готовый общедоступный генератор миров.