The Trinity of Consistency as a Defining Principle for General World Models

论文核心内容、创新点总结及关键部分翻译

一、文章主要内容

该论文围绕通用世界模型（General World Model）的构建展开，提出“一致性三位一体”（Trinity of Consistency）作为核心理论框架，系统梳理了多模态生成模型的演进路径，并设计了针对性基准测试CoW-Bench。

1. 核心理论框架：一致性三位一体

论文指出，通用世界模型必须具备三大正交且协同的一致性约束，构成模型的三大核心支柱：

• 模态一致性（Modal Consistency）：作为语义接口，实现文本、图像、触觉等异质信息的统一语义对齐，为指令交互和反馈提供认知基础。
• 空间一致性（Spatial Consistency）：作为几何基础，构建符合3D几何规律、遮挡关系和物体恒存性的空间表征，确保模拟世界的静态合理性。
• 时间一致性（Temporal Consistency）：作为因果引擎，遵循物理定律和因果逻辑的时间演化，保证动态过程的可预测性和逻辑连贯性。

2. 技术演进脉络

• 单一一致性发展：
  • 模态一致性：从双塔对比学习（CLIP）、连接器范式（BLIP-2），演进至正交解耦的原生多模态DiT架构（Stable Diffusion 3.5），通过强化学习（RLHF/DPO）和测试时计算