arXiv论文分析30,000小时第一视角视频：世界模型在物体交互保真度上遭遇瓶颈

What 30,000 Hours of Ego-centric Video Does Not Teach 研究人员利用包含30,000小时第一视角人类视频的数据集对视频世界模型展开评估。实验发现，将训练数据增加100倍虽然能有效提升Agent自身的动作建模，但对物体交互动态的物理保真度提升缓慢且远落后于Agent建模，单纯依赖第一视角数据缩放难以彻底解决物体动态学习难题。