已收录文章摘要，完整内容可前往原文阅读。
导读能回答视频问题、生成流畅画面，是否意味着模型已经理解了世界？牛津大学、新加坡国立大学、南洋理工大学和加州大学默塞德分校研究者，在这篇102页综述中提出统一视角：视频只是潜在动态世界的局部、有损、有