WorldGuide：面向程序化任务执行的目标导向视频世界模型

WorldGuide 将程序化视频生成建模为视觉世界空间中的闭环任务执行，可根据初始图像和任务目标逐步预测原子动作、生成视频片段并决定继续或终止。作者同时提出 WorldGuide Bench，包含约 59K 个步骤标注视频、245 个任务和 27 类程序化类别。