TeleWorld 将视频生成、动态场景重建与长期世界记忆统一到一个闭环系统：生成的流式视频会被持续重建为 4D 时空表示，再用这份表示反向引导后续生成，从而提升空间/时间一致性。 与单纯"更强的视频扩散模型"相比，TeleWorld 更强调：可持续的状态表示、可累积的记忆，以及生成-重建-引导之间的闭环耦合。
1. 为什么要闭环：长视频的一致性问题不是靠单次生成解决的
长时序里最典型的失败是误差累积：几何结构漂移、身份特征漂移、物体关系失真。 这类问题往往需要一个可持续维护的"世界状态"来对齐后续生成，而不仅仅是更强的局部去噪。
2. 4D 表示与长期记忆：把生成结果变成可写入的状态
TeleWorld 的关键是把生成的视频持续投影/重建为可操作的 4D 状态表示，并用记忆机制保存跨时间的一致性线索。 这样后续生成不是从零开始，而是在状态约束下继续扩展。
3. Key Insights：world model 的关键是"状态"而不是"画面"
当你把系统目标从"生成一段好看的视频"提升到"维持一个可演化的世界状态"，优化对象就会改变： 需要更可解释、更可约束、更可更新的内部表示。 这也是为什么闭环框架往往比单次生成更接近 world model。
English Summary
TeleWorld frames video generation as a closed-loop world modeling problem. Instead of treating each generated clip as a final output, the system continuously reconstructs generated streams into a 4D spatiotemporal state and uses that state to guide future synthesis.
Problem
Long videos fail through accumulated drift: geometry shifts, identities blur, and object relations become inconsistent. These failures are difficult to solve with a one-shot denoising model because the model lacks a persistent world state.
Core Idea
Maintain an editable 4D memory that connects generation, reconstruction, and guidance. The generated video writes back into a structured state, and that state constrains the next segment, making later generation less dependent on short-term visual cues alone.
Practical Takeaways
The important shift is from "making frames" to "maintaining state." A usable world model needs representations that can be updated, constrained, and reused across time; visual quality is only one part of that loop.