World-R1: Reinforcing 3D Constraints for Text-to-Video Generation

1. Motivation（研究动机）

当前 video foundation models 已经能生成高质量视觉内容，但在世界模拟语境下仍常见几何不一致：物体会随镜头漂移、背景结构会在视角变化时重排，2D 上看似合理的视频在 3D 重建或新视角渲染时会暴露出 flat billboard、floaters、遮挡关系错误等问题。已有 3D-aware 或 camera-control 方法通常把 3D prior 注入 architecture、显式输入图像/相机轨迹或依赖特定视频数据分布，这会增加计算成本、限制扩展到强大的 text-to-video foundation model，并且难以保持开放文本生成能力。

World-R1 要解决的具体问题是：在不修改底层 T2V 模型结构的前提下，把 3D geometric consistency 作为可优化的行为约束对齐到视频生成策略中，同时保留原模型的视觉质量、文本覆盖面和动态场景生成能力。它不是训练一个新的 3D-conditioned generator，而是把预训练视频模型看作 policy，通过 RL feedback 让模型在 rollout 中学会生成可被 3D foundation model 重建、相机轨迹更一致、meta-view 更可信的视频。

这个问题值得研究，因为“世界模型”不只是生成单段漂亮视频，还需要跨视角、跨时间保持稳定的 scene permanence。若 T2V 模型能在纯文本提示下产生更可靠的几何结构，就能更自然地服务于 3D reconstruction、camera-control generation、long-video simulation、robotics/embodied AI 中的环境想象与物理推理。

---

2. Idea（核心思想）

核心洞察是：3D consistency 不一定要通过改模型架构或显式监督视频数据来获得，可以把“生成视频能否被重建成一致 3D 世界”定义成 reward，并用 Flow-GRPO 在 diffusion/flow sampling trajectory 上优化。World-R1 的新意在于把 Depth Anything 3 的 3DGS 重建、camera trajectory alignment、VLM meta-view critique 和 general video reward 组合成在线 RL 信号，让原始 T2V 模型在采样过程中内化几何约束。

关键创新可以概括为三点：第一，用 camera-aware latent initialization/noise wrapping 把文本中的镜头运动先验注入初始 latent，而不是只靠 prompt conditioning；第二，用 analysis-by-synthesis 的 3D-aware reward 检测 2D 视频中难以直接度量的几何错误；第三，用 periodic decoupled training 在主阶段优化 3D+general reward，在动态阶段暂时关闭 3D reward，只用 general reward 训练动态子集，避免模型变得过度刚性。

与 ReCamMaster、TrajectoryCrafter、GCD 等 camera-control/3D-aware 方法相比，World-R1 的根本差异是它不要求给定输入图像或重构好的 3D 条件，也不通过架构改造绑定到特定控制模块；它把 Wan2.1 这类 foundation T2V 模型作为可强化学习的 policy，在纯文本数据上学习“更像 3D 世界”的生成偏好。

---

3. Method（方法）

3.1 Overall framework

Figure 1 解读：这张 teaser 展示了 World-R1 的目标形态：输入是 text prompt，输出是具有更强 3D consistency 的视频；作者同时可视化视频帧和对应 3D reconstruction，用重建结果说明生成内容是否拥有稳定几何结构。左侧/失败样例通常在重建时出现结构破碎或视角不稳定，World-R1 的结果则更接近可重建、可新视角查看的 scene。

Figure 2 解读：pipeline 图把方法拆成四个闭环：prompt dataset 提供纯文本世界模拟描述；camera conditioning/noise wrapping 根据 prompt 中的相机运动准备 rollout latent；T2V policy 生成视频；reward servers 调用 3D reconstruction、trajectory comparison、meta-view VLM critique 和 general VLM reward，最后用 Flow-GRPO 更新 policy。这个设计的关键是 reward 在生成后才计算，因此可以利用强 3D/VLM evaluator，而不需要改造 generator architecture。

整体训练过程可视为把 flow-based video generation 的 denoising trajectory 当作 Markov Decision Process。给定文本条件 $\mathbf{c}$，模型从 stochastic sampling trajectory 中生成一组视频样本，reward 由 3D-aware term 与 general term 组成，Flow-GRPO 用组内归一化 advantage 更新模型，使高 reward 视频的 trajectory probability 增大。

3.2 Flow-GRPO policy formulation

论文先把 deterministic flow ODE 转成带随机性的 reverse-time SDE，使采样过程能产生 RL 所需的 stochastic action：

$$\mathrm{d}{\mathbf{x}}_t=\left[{\mathbf{v}}_t({\mathbf{x}}_t)+\frac{{\sigma }_t^2}{2t}\left({\mathbf{x}}_t+(1-t){\mathbf{v}}_t({\mathbf{x}}_t)\right)\right]\mathrm{d}t+{\sigma }_t\mathrm{d}\mathbf{w}.$$

离散化后，policy ${\pi }_{\theta }$ 的一步更新为：

$${\mathbf{x}}_{t+\Delta t}={\mathbf{x}}_t+[{\mathbf{v}}_{\theta }({\mathbf{x}}_t,t)+\frac{{\sigma }_t^2}{2t}({\mathbf{x}}_t+(1-t){\mathbf{v}}_{\theta }({\mathbf{x}}_t,t)\left)\right]\Delta t+{\sigma }_t\sqrt{\Delta t}ϵ,$$

其中 $ϵ\sim \mathcal{N}(0,\mathbf{I})$。GRPO 目标函数写作：

$$\mathcal{J}(\theta )={\mathbb{E}}_{\mathbf{c},\{{\mathbf{x}}^i\}}\left[\frac{1}{T}\sum _{t=0}^{T-1}\right({\mathcal{L}}_{\text{clip}}(r_t^i,{\hat{A}}_t^i)-\beta D_{\text{KL}}({\pi }_{\theta }||{\pi }_{\text{ref}})\left)\right].$$

这里 $r_t^i$ 是新旧 policy 的 probability ratio，${\hat{A}}_t^i$ 来自同一 prompt 下 group samples 的 reward normalization；KL term 防止 policy 远离 reference T2V model，避免 RL 只追逐 reward 而破坏视觉先验。

3.3 Camera conditioning / noise wrapping

World-R1 从 prompt 中抽取或指定相机运动，把 trajectory 编码进初始 latent 的时序结构。开源实现中，prepare_rollout_latents_and_callback 会调用 camera trajectory utility，根据 detected_movements_batch 和 camera_trajectories 生成 camera-aware latent；默认配置使用 wrap_injection_mode="stepwise_delta"、noise_wrap_flow_scale=16、delta_lowpass_kernel=9、stepwise_guidance_steps=8，Small/Large 的 wrap_strength 分别为 0.35/0.4。

直觉上，这一步给 RL 降低了搜索难度：如果所有镜头运动都只由 prompt token 隐式控制，policy 必须同时学会视觉内容、相机路径和几何约束；camera-aware latent initialization 先把“镜头应该怎样动”的低频结构放进噪声场，后续 RL reward 更聚焦于“这个运动下场景是否仍像一个稳定 3D 世界”。

3.4 Reward design

总 reward 是：

$$R(\mathbf{x},c)=R_{\text{3D}}(\mathbf{x},E,c)+{\lambda }_{\text{gen}}{R}_{\text{gen}}(\mathbf{x},c).$$

3D-aware reward 是三个分量的直接相加：

$$R_{\text{3D}}={\mathcal{S}}_{\text{meta}}+{\mathcal{S}}_{\text{recon}}+{\mathcal{S}}_{\text{traj}}.$$

附录说明每个 3D 分量限制在 $[0,1]$，因此 $R_{\text{3D}}\in [0,3]$；$R_{\text{gen}}\in [-1,1]$，并使用 ${\lambda }_{\text{gen}}=1$ 直接相加。四个 reward 的含义如下：

• ${\mathcal{S}}_{\text{meta}}$：用 Depth Anything 3 把视频提升为 3DGS，再从偏离原轨迹的 meta-view 渲染，由 Qwen3-VL/OpenAI-style VLM critic 判断结构是否可信，专门抓 2D plausible 但 3D 错误的 billboard/floaters。
• ${\mathcal{S}}_{\text{recon}}$：比较重建/重渲染结果与原视频帧的一致性，代码中记录 gs_score，用于度量视频是否能被稳定 3DGS 表示。
• ${\mathcal{S}}_{\text{traj}}$：比较 Depth Anything 3 估计的 camera trajectory 与 prompt/conditioning 目标轨迹，代码中记录 camera_motion_score。
• $R_{\text{gen}}$：general VLM reward，约束美学质量、prompt alignment、主体/背景一致性和动态自然性，防止模型为了 3D 分数生成乏味或过度刚性的内容。

3.5 Dataset preparation and periodic decoupled training

论文构造了一个 pure text dataset：约 3,000 条由 Gemini 合成的高质量世界模拟 prompt，覆盖 natural landscapes、urban structures、surrealist environments，并按控制复杂度区分 implicit motion、single directional commands、complex composite trajectories。训练集中另有约 500 条 highly dynamic scenes，用于 decoupled dynamic phase；评估集是独立的 30 条 complex prompts。

Periodic decoupled training 的周期是主阶段 100 steps + 动态阶段 50 steps。主阶段在混合数据上优化完整 reward $R_{\text{3D}}+{\lambda }_{\text{gen}}{R}_{\text{gen}}$；动态阶段只采样 dynamic subset，暂时关闭 3D-aware reward，只优化 $R_{\text{gen}}$。这种交替相当于把“几何刚性”和“非刚性动态”分开对齐：前者让场景不漂移，后者防止火焰、水流、人群等高熵运动被 3D reward 压成静态物体。

Figure 3 解读：这张动态场景可视化说明 decoupled training 的必要性。World-R1 既要保留场景的 3D frame-to-frame structure，又不能把动态物体“冻结”；图中的 dynamic examples 展示了模型在复杂运动中仍能维持较稳定的环境结构。

3.6 Pseudocode from open-source implementation

以下伪代码基于官方仓库 microsoft/World-R1 的 main@cf54603d (2026-05-01)，抽象自 scripts/train_world_r1.py、flow_grpo/rewards.py、reward_server/reward_3d.py、reward_server/general_reward.py 和 flow_grpo/diffusers_patch/wan_pipeline_with_logprob.py。

Camera-aware rollout latent preparation

import torch
 
 
def prepare_camera_aware_latents(pipeline, prompts, config, metadata):
    camera_trajectories, detected_movements = get_camera_trajectories_for_batch(
        prompts,
        batch_size=len(prompts),
        frames_per_trajectory=81,
        force_camera_movement=config.sample.force_camera_movement,
    )
    metadata = add_camera_trajectory_metadata(metadata, camera_trajectories)
 
    latents, step_callback = prepare_rollout_latents_and_callback(
        pipeline=pipeline,
        prompt=prompts,
        batch_size=len(prompts),
        num_channels_latents=pipeline.transformer.config.in_channels,
        height=config.height,
        width=config.width,
        num_frames=config.frames,
        dtype=torch.bfloat16,
        device=pipeline.device,
        vae_scale_factor_temporal=pipeline.vae_scale_factor_temporal,
        frames_per_trajectory=81,
        force_camera_movement=config.sample.force_camera_movement,
        noise_wrap_compute_dtype=config.sample.noise_wrap_compute_dtype,
        noise_downtemp_interp=config.sample.noise_downtemp_interp,
        noise_downspatial_mode=config.sample.noise_downspatial_mode,
        noise_degradation=config.sample.noise_degradation,
        noise_wrap_flow_scale=config.sample.noise_wrap_flow_scale,
        wrap_strength=config.sample.wrap_strength,
        wrap_injection_mode=config.sample.wrap_injection_mode,
        delta_lowpass_kernel=config.sample.delta_lowpass_kernel,
        stepwise_guidance_steps=config.sample.stepwise_guidance_steps,
        camera_trajectories=camera_trajectories,
        detected_movements_batch=detected_movements,
    )
    return latents, step_callback, metadata

Stochastic rollout with log probability

import torch
 
 
def rollout_with_logprob(pipeline, prompts, latents, callback, config):
    videos, trajectory = wan_pipeline_with_logprob(
        pipeline=pipeline,
        prompt=prompts,
        height=config.height,
        width=config.width,
        num_frames=config.frames,
        num_inference_steps=config.sample.num_steps,
        guidance_scale=config.sample.guidance_scale,
        latents=latents,
        output_type="np",
        callback_on_step_end=callback,
        determistic=False,
        kl_reward=config.sample.kl_reward,
        use_camera_trajectory=True,
    )
    return {
        "videos": videos,
        "latents": trajectory.latents,
        "next_latents": trajectory.next_latents,
        "timesteps": trajectory.timesteps,
        "log_probs": trajectory.log_probs,
    }

Composite reward with dynamic-phase skipping

import numpy as np
 
 
def compute_world_r1_reward(videos, prompts, metadata, reward_fns, score_dict):
    total_scores = np.zeros(len(prompts), dtype=np.float32)
    details = {}
    is_any_dynamic = any(m.get("is_dynamic", False) for m in metadata)
    skip_3d_rewards = {"reward_3d"}
 
    for reward_name, weight in score_dict.items():
        if is_any_dynamic and reward_name in skip_3d_rewards:
            continue
        reward_scores, reward_metadata = reward_fns[reward_name](
            videos, prompts, metadata
        )
        reward_scores = np.asarray(reward_scores, dtype=np.float32)
        total_scores += float(weight) * reward_scores
        details[reward_name] = reward_scores.tolist()
        if reward_metadata:
            details.update(reward_metadata)
 
    return total_scores, details

3D-aware reward server

import torch
 
 
def compute_3d_reward(batch_videos, batch_prompts, camera_trajectories, da3_model, meta_scorer):
    scores = []
    details = []
    for video, prompt, target_traj in zip(batch_videos, batch_prompts, camera_trajectories):
        gs_scene, estimated_traj = da3_model.reconstruct_3dgs_and_camera(video)
 
        recon_score = compute_lpips_gs_score(gs_scene, video)
        meta_view = render_meta_view(gs_scene, offset_from=estimated_traj)
        meta_score = meta_scorer([prompt], [meta_view])[0]
        traj_score = compare_camera_trajectory(estimated_traj, target_traj)
 
        reward_3d = meta_score + recon_score + traj_score
        scores.append(float(reward_3d))
        details.append({
            "meta_score": float(meta_score),
            "gs_score": float(recon_score),
            "camera_motion_score": float(traj_score),
        })
    return scores, details

Flow-GRPO training loop

import torch
import torch.nn.functional as F
 
 
def train_world_r1(policy, ref_policy, pipeline, dataloaders, reward_fns, config, optimizer):
    global_step = 0
    for epoch in range(config.num_epochs):
        cycle = config.dynamic_training.main_steps + config.dynamic_training.dynamic_steps
        use_dynamic = (global_step % cycle) >= config.dynamic_training.main_steps
        loader = dataloaders["dynamic"] if use_dynamic else dataloaders["main"]
 
        batch = next(iter(loader))
        prompts, metadata = batch["prompt"], batch["metadata"]
        latents, callback, metadata = prepare_camera_aware_latents(
            pipeline, prompts, config, metadata
        )
        samples = rollout_with_logprob(pipeline, prompts, latents, callback, config)
        rewards, reward_info = compute_world_r1_reward(
            samples["videos"], prompts, metadata, reward_fns, config.reward_fn
        )
 
        advantages = normalize_rewards_per_prompt_group(
            torch.tensor(rewards, device=policy.device),
            group_size=8,
        )
 
        new_log_probs = compute_log_prob(policy, pipeline, samples, prompts, config)
        old_log_probs = samples["log_probs"].detach()
        ratio = torch.exp(new_log_probs - old_log_probs)
        clipped_ratio = torch.clamp(
            ratio,
            1.0 - config.train.clip_range,
            1.0 + config.train.clip_range,
        )
        policy_loss = -torch.min(ratio * advantages, clipped_ratio * advantages).mean()
        kl_loss = compute_kl_loss(policy, ref_policy, samples, prompts)
        loss = policy_loss + config.train.beta * kl_loss
 
        loss.backward()
        optimizer.step()
        optimizer.zero_grad()
        global_step += 1

3.7 Code-to-paper mapping

Code reference: main @ cf54603d (2026-05-01) — pseudocode and mapping based on this commit

Paper Concept	Source File	Key Class/Function
World-R1 experiment config	config/world_r1.py	_build_world_r1_config, world_r1_small, world_r1_large
Pure text prompt dataset / dynamic subset	scripts/train_world_r1.py	TextPromptDataset, collate_fn
Camera conditioning / noise wrapping	scripts/train_world_r1.py; flow_grpo/diffusers_patch/camera_trajectory_utils.py	prepare_rollout_latents_and_callback, add_camera_trajectory_metadata, get_camera_trajectories_for_batch
Stochastic rollout with log-prob	scripts/train_world_r1.py; flow_grpo/diffusers_patch/wan_pipeline_with_logprob.py	rollout_with_logprob, sde_step_with_logprob, wan_pipeline_with_logprob
Flow-GRPO optimization	scripts/train_world_r1.py	compute_log_prob, compute_kl_loss, main training loop
Composite reward routing	flow_grpo/rewards.py	multi_score, remote_reward_3d, remote_reward_general
3D-aware reward	reward_server/reward_3d.py	MultiGPUReward3DManager.compute_batch_scores, compute_lpips_gs_score
General VLM reward	reward_server/general_reward.py	compute_score, general reward manager
Reward server launch	scripts/serve_reward_3d.py; scripts/serve_general_reward.py; scripts/run_reward_3d_server.sh; scripts/run_general_reward_server.sh	HTTP/pickle reward service wrappers
Training entry point	scripts/train_world_r1.py; scripts/run_training.sh	main, distributed sampling/training orchestration

---

4. Experimental Setup（实验设置）

Datasets and scale. 训练数据是一个 pure text dataset，约 3,000 unique prompts，由 Gemini 合成并覆盖 natural landscapes、urban/architectural scenes、micro/still life、surreal environments 等世界模拟场景；其中约 500 prompts 被标为 high-dynamic subset，用于 periodic decoupled training 的 dynamic phase。评估集是独立的 30 complex prompts，用于 stress-test world modeling。数据规模实验还比较了 1K、2K、3K prompt 的训练效果。

Baselines. 主要 foundation model baseline 包括 CogVideoX-1.5-5B、Wan2.2-T2V-14B、Wan2.2-T2V-5B、Wan2.1-T2V-14B、Wan2.1-T2V-1.3B。3D-aware / camera-control 对比包括 ViewCrafter、Voyager、FlashWorld、VerseCrafter、GCD、Traj.-Attn.、DAS、ReCamMaster、TrajectoryCrafter、CamCloneMaster。用户研究按参数规模匹配：World-R1-Small 对 Wan2.1-T2V-1.3B，World-R1-Large 对 Wan2.1-T2V-14B。

Evaluation metrics. 3D consistency 用 3DGS reconstruction/re-rendering 指标 PSNR↑、SSIM↑、LPIPS↓ 衡量；MVCS↑ 作为 reconstruction-independent multi-view consistency；camera-control 用 RotErr↓、TransErr↓、CamMC↓；general video quality 用 VBench 的 Aesthetic Quality、Imaging Quality、Motion Smoothness、Subject Consistency、Background Consistency；用户研究采用 double-blind 2AFC，统计 win rate，并有 20 人、30 video pairs 的 metric-validation agreement study。

Training config. 基座模型为 Wan 2.1：World-R1-Small 初始化自 Wan2.1-T2V-1.3B，World-R1-Large 初始化自 Wan2.1-T2V-14B。Small 使用 48 NVIDIA H200 GPUs，Large 使用 96 H200 GPUs；训练分辨率 $832\times 480$，81 frames，rollout denoising steps 50，guidance scale 5.0，noise level 0.7，GRPO group size $G=8$，总 batch 分布在 48 parallel groups。官方配置中 learning rate 为 $1\times 10^{-4}$、$\beta =0.004$、clip range $10^{-3}$、mixed precision bf16、EMA enabled、reward weights reward_3d=1.0 与 reward_general=1.0，dynamic training 周期为 100 main steps + 50 dynamic steps。

---

5. Experimental Results（实验结果）

Figure 4 解读：qualitative comparison 同时展示生成视频帧和 3D reconstruction。与 Wan/CogVideoX 等 foundation baseline 相比，World-R1 的视频在相机运动下更能保持 scene permanence：建筑、物体边界和背景布局不会随帧随机重排，因此 3DGS 重建更稳定。

5.1 Main quantitative results

VBench general video quality（World-R1-Large 未因资源约束测试）：

Method	Aesthetic↑	Imaging↑	Motion Smoothness↑	Subject Consistency↑	Background Consistency↑
CogVideoX-1.5-5B	62.07	65.34	98.15	96.56	96.81
Wan2.1-T2V-1.3B	62.43	66.51	97.44	96.34	97.29
GCD	38.21	41.56	98.37	88.94	92.00
Traj.-Attn.	38.50	51.00	98.21	90.60	92.83
DAS	39.86	51.55	99.14	90.34	92.03
ReCamMaster	42.70	53.97	99.28	92.05	93.83
World-R1-Small	65.74	67.53	98.55	97.58	96.67

3D consistency reconstruction metrics：

Method	PSNR↑	SSIM↑	LPIPS↓
CogVideoX-1.5-5B	24.44	0.783	0.242
Wan2.2-T2V-14B	23.47	0.779	0.253
Wan2.2-T2V-5B	22.36	0.716	0.303
Wan2.1-T2V-14B	19.76	0.629	0.405
Wan2.1-T2V-1.3B	17.40	0.550	0.467
World-R1-Small	27.63	0.858	0.201
World-R1-Large	27.67	0.865	0.162

这些数值说明 World-R1 不只是改善某个视觉评分：Small 相比 Wan2.1-1.3B 的 PSNR 从 17.40 提升到 27.63，LPIPS 从 0.467 降到 0.201；Large 相比 Wan2.1-14B 的 PSNR 从 19.76 提升到 27.67，LPIPS 从 0.405 降到 0.162。

5.2 Camera control, MVCS and user study

Method	RotErr↓	TransErr↓	CamMC↓
ReCamMaster	1.53	3.12	4.17
TrajectoryCrafter	3.08	7.46	10.22
CamCloneMaster	1.36	2.02	3.05
Wan2.1-T2V-1.3B	9.29	62.94	66.21
Wan2.1-T2V-14B	17.01	60.90	70.55
World-R1-Small	1.50	2.76	3.39
World-R1-Large	1.21	1.30	2.95

Method	MVCS↑
Wan2.1-T2V-1.3B	0.974
World-R1-Small	0.989
Wan2.1-T2V-14B	0.963
World-R1-Large	0.993

用户研究中，World-R1 相比 Wan2.1 的 win rate 为：Geometric Consistency 92%，Camera Control Accuracy 76%，Overall Preference 86%。metric-validation study 有 20 participants、30 video pairs，automatic metric ranking 与多数人类偏好的 agreement 为 91.17%。

5.3 Ablations

Figure 5 解读：ablation 曲线展示 general generation reward 与 3D-aware reward 在 fine-tuning 过程中的变化。它直观说明单纯强化几何会影响一般生成质量，而 periodic decoupled training 和 general reward 能维持动态与视觉质量的平衡。

Reward component ablation on World-R1-Small：

Variant	PSNR↑	SSIM↑	LPIPS↓	VBench AVG↑
Full pipeline	27.63	0.858	0.201	85.21
w/o ${\mathcal{S}}_{meta}$	26.91	0.841	0.218	83.67
w/o ${\mathcal{S}}_{recon}$	25.14	0.798	0.271	84.35
w/o ${\mathcal{S}}_{traj}$	26.27	0.829	0.237	84.53

Training and conditioning ablation：

Variant	PSNR↑	SSIM↑	LPIPS↓	VBench AVG↑	${\mathcal{S}}_{recon}$↑	${\mathcal{S}}_{traj}$↑	${\mathcal{S}}_{meta}$↑	${\mathcal{S}}_{gen}$↑
Full	27.63	0.858	0.201	85.21	0.342	0.296	0.307	0.37
w/o noise wrapping	24.46	0.745	0.298	76.39	0.312	0.213	0.275	-0.42
w/o periodic decoupled training	27.89	0.898	0.192	82.64	0.348	0.310	0.298	0.18
w/o 3D-aware reward	18.93	0.502	0.496	84.96	—	—	—	0.33
w/o general reward	27.57	0.849	0.206	83.44	0.388	0.231	0.305	—

关键结论：w/o 3D-aware reward 几何指标大幅崩塌（PSNR 18.93、SSIM 0.502、LPIPS 0.496），说明 RL 的 3D feedback 是核心；w/o noise wrapping 同时损害 3D 和 VBench AVG，说明 camera-aware latent 对可控相机轨迹很重要；w/o periodic decoupled training 虽然 PSNR/SSIM 甚至更高，但 VBench AVG 从 85.21 降到 82.64，说明单纯追求刚性几何会牺牲一般视频质量和动态自然性。

5.4 Data scaling and long-video generalization

Data Size	PSNR↑	SSIM↑	LPIPS↓	VBench AVG↑
1K	25.82	0.812	0.258	83.23
2K	26.54	0.839	0.223	84.76
3K	27.63	0.858	0.201	85.21

121-frame Method	PSNR↑	SSIM↑	LPIPS↓
Wan2.1-T2V-14B	18.32	0.558	0.534
World-R1-Large	26.32	0.828	0.257

数据规模实验显示纯文本 prompt 规模从 1K 到 3K 会持续改善几何和 VBench；long-video 实验说明虽然训练主要在较短 rollout 上进行，World-R1-Large 在 121-frame generation 仍保持明显更好的 3D consistency。

5.5 Scene complexity breakdown

Scene Type	N	Method	PSNR↑	SSIM↑	LPIPS↓	MVCS↑
Static Scene	30.11%	Wan2.1-1.3B	20.14	0.632	0.389	0.981
Static Scene	30.11%	World-R1-Small	30.52	0.912	0.142	0.994
Single-obj Dynamic	29.03%	Wan2.1-1.3B	17.86	0.563	0.452	0.976
Single-obj Dynamic	29.03%	World-R1-Small	28.17	0.869	0.189	0.991
Multi-obj Dynamic	21.51%	Wan2.1-1.3B	15.23	0.487	0.528	0.968
Multi-obj Dynamic	21.51%	World-R1-Small	25.41	0.812	0.248	0.985
Non-rigid Motion	19.35%	Wan2.1-1.3B	14.58	0.462	0.548	0.965
Non-rigid Motion	19.35%	World-R1-Small	24.73	0.793	0.267	0.982
Long-horizon Dynamics	12.89%	Wan2.1-1.3B	12.53	0.382	0.683	0.951
Long-horizon Dynamics	12.89%	World-R1-Small	23.59	0.781	0.299	0.974

World-R1 的提升在静态和动态场景都存在；越复杂的 dynamic/long-horizon 类别，baseline 指标下降越明显，而 World-R1 仍保持更高 PSNR/SSIM/MVCS 和更低 LPIPS。

5.6 Additional visualizations and limitations

Figure 6 解读：meta-view 图说明为什么只看原视频帧不够。左侧样例在原视角可能局部可接受，但从偏移 meta-view 看 3DGS 会不稳定或破碎；右侧高质量样例在 meta-view 下仍符合 prompt 描述，说明 ${\mathcal{S}}_{meta}$ 能捕捉 2D 指标难以发现的几何幻觉。

Figure 7 解读：高质量 reconstruction 展示了 World-R1 生成视频可以被 3DGS 更稳定地重建，物体位置和背景结构在新视角下仍然 coherent。这是论文把 video generation 与 scalable world simulation 连接起来的主要证据。

Figure 8 解读：失败 reconstruction 展示了几何不一致的典型形态：原视频中看似连续的帧，在 3D lifting 后可能出现漂浮物、断裂结构或无法解释的相机路径。它也说明 World-R1 的 reward 依赖 evaluator 能否可靠发现这些错误。

作者没有在正文中单列局限性章节，但从方法和实验可见几个边界：训练成本很高（48/96 H200 GPUs）；reward pipeline 依赖 Depth Anything 3、3DGS reconstruction 和 VLM critic，评估器偏差可能影响优化方向；World-R1-Large 未报告 VBench general quality；camera-control/3D-aware baseline 与 World-R1 的输入设置并不完全相同，附录也说明 3D-conditioned baselines 以 image-to-video setting 评估，而 World-R1 是 text-to-video general scenes。

总体结论是：World-R1 证明了不改 T2V architecture 也可以通过 RL 将 3D constraints 对齐进视频 foundation model。它在 PSNR/SSIM/LPIPS、MVCS、camera-control 和用户偏好上都显著提升，并通过 ablation 证明 3D-aware reward、noise wrapping、general reward 与 periodic decoupled training 分别承担几何对齐、相机先验、视觉质量保护和动态保留的作用。