论文导读
微软、香港理工大学、加州大学戴维斯分校等机构提出ProAR，让持续生成视频的模型同时预想最终画面和下一步状态。VBVR十项任务中，平均成绩从0.663升到0.801；训练2500步时就超过训练10000步的标准基线。视频生成开始按目标和规则推进，排序、拼图等过程可以逐步检查。
画面顺滑，不保证拼图能拼完
按类型和大小排序图形，或者移动滑块拼出目标，需要每一步符合规则，也要最终完成任务。只让视频模型根据历史画面接着生成，局部变化可以很自然，整段过程却可能偏离目标。
ProAR在持续生成过程中加入一个不断更新的目标画面判断，让模型同时考虑终点。当前片段能够读取目标信息，而目标判断不会被同一步的带噪当前画面扰乱。
推理时，模型自己预测这个目标画面，并没有提前拿到正确的未来帧。训练时使用最终正确画面进行监督，不能把训练条件误写成测试时直接提供答案。
图：视觉任务、迷宫连线与双手模拟操作的生成过程对照。
终点要对，中间也得按规则走
另一个机制让当前状态更接近下一段应有的内部表示。训练时，正确的后续片段已经可用，团队利用它指导模型提前理解即将发生的变化。
这一辅助预测器只在训练中存在，推理时会移除。它与最终目标指导分工不同：前者帮助下一步转换合理，后者避免整段视频走偏。论文比较了单独使用和组合使用的表现。
系统仍建立在Wan2.2视频骨干上，通过改造持续生成和训练流程完成这些任务。它没有把视觉推理改成文字解题，而是直接让生成的画面呈现过程与结果。
图：历史、当前和目标视频流与未来表示指导的模型流程。
2500步超过基线，成绩限于所测任务
VBVR实验从100类任务中选出十项，包含排序、图形匹配、多米诺、管道和滑块拼图等。每项扩展到50个测试样本，总计500个，最终平均成绩为0.801，标准持续生成基线为0.663。
ProAR训练2500步时约为0.708，已经超过标准基线训练10000步的约0.663。这是训练步数四分之一，不能直接说总GPU花费减少75%，因为每步计算和训练流程仍需单独计量。
十项中八项优于标准基线，并非所有任务都提升。另在迷宫、连线和推箱子的VideoRLVR评测中，平均成功率从50.97提高到52.97，平均精确率从61.56升到67.17，两项指标不能互换。
图：ProAR与标准基线在不同训练步数上的平均成绩曲线。
下一步：把目标约束带进具身模拟
项目演示展示了任务起点、连续生成过程和最后结果，能看到生成是否遵守规则。WorldArena扩展还测试了50种双手操作任务，考察视频序列能否作为具身模拟的可行动过程。
这些结果支持继续研究带目标的视觉预测，并不等于机器人实机已经获得同样成功率。后续可在更多任务、更长步骤和复杂物体交互中验证，分开衡量目标完成、中间过程正确以及运行开销。
参考资料
https://arxiv.org/abs/2610.03664
