# 浙大和微软用3000条纯文本提示词，让视频生成模型学会理解3D空间

> 原标题：解决视频生成穿帮问题！浙大&amp;微软3000条纯文本让模型理解3D

- 来源：量子位 · 公众号
- 发布时间：2026-05-16T04:04:00.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/21802
- 原文：https://mp.weixin.qq.com/s?__biz=MzIzNjc1NzUzMw==&mid=2247891178&idx=3&sn=6012fc3aeb577e254889d2372effaa6f

## 摘要

浙大和微软搞了个叫 World-R1 的方法，拿 Wan 2.1 模型做实验，只用了大概 3000 条纯文本提示词，没加任何 3D 标注数据，就让模型生成的视频在空间一致性上好了不少。他们设计了一套叫 Flow-GRPO 的训练流程，外加四个维度的奖励信号来引导模型。

## 推荐理由

浙大和微软提出 World-R1，仅用约 3000 条纯文本提示词、不加 3D 标注，就让 Wan 2.1 生成的视频在空间一致性上明显改善，为缺少标注数据的视频生成团队提供了一条低成本对齐路径。

## 锐评

3000 条纯文本就让 Wan 2.1 的 1.3B 在 PSNR 上跳 10.23 dB，这个数有点离谱，我第一反应是奖励信号里有没有掺视频侧的信息。Flow-GRPO 那套四维奖励，权重怎么定、各维之间怎么打架，摘要里一个字没提，复现难度全在这儿。方向我认，偏好对齐修物理一致性比标 3D 数据便宜太多，但 10 dB 这种量级，我暂时只当它是个待验证的数。
