Sora 视频生成世界模型与时空 Patch

OpenAI Sora 式大规模视频生成世界模型与 3D 时空潜空间 Patch 架构 (Sora-Style Video World Models & 3D Spacetime Latent Patch Architectures) 是将生成式 AI 从静态 2D 图像推向具备物理规律理解、空间一致性与时序动力学模拟的世界模拟器 (World Simulators) 的里程碑技术；核心架构体系：1) 3D 时空潜空间压缩器 (3D Spacetime VAE / Video Compression Network): 将任意分辨率、任意宽高比与任意时长的视频张量 $(T \times H \times W \times C)$ 在时间和空间维度联合压缩进低维连续 Latent 空间；2) 3D Spacetime Patches (时空补丁化): 将连续潜空间切分为网格式的 3D Patches（如 $2 \times 16 \times 16$），拉平成一维序列，使得视频生成能够直接无缝借用标准 Transformer (Diffusion Transformer, DiT) 进行全自注意力时空联合建模；3) 涌现物理规律模拟：大规模 Scaling 训练下模型自发展现出三维几何一致性、持久物体遮挡记忆与简单的物理世界动力学模拟。

真实物理世界动态模拟器研发、高质量长视频生成、自动驾驶端到端世界模型仿真。

传统视频生成模型（如 2D UNet 级联时序卷积）存在严重的画面崩坏、物体变形穿模与时间闪烁；3D Spacetime DiT 实现了任意分辨率与长时间跨度的超强时空物理一致性。

详细画出 3D Spacetime VAE 将原始视频流压缩为 Latent 并切分为 3D Spacetime Patches 输入 DiT 的完整张量维度演变图？

为什么在视频生成中，基于 Transformer 的 DiT 架构相比传统的 2D+1D UNet 架构具有更强、更线性的 Scaling Law 算力扩展特性？

可变分辨率与可变时长原生支持：Sora 如何通过 NaViT 式动态序列打包 (Dynamic Sequence Packing) 在单 Batch 内混合训练不同宽高比与时长的视频？

物理世界常识与几何遮挡一致性 (Object Permanence): 视频世界模型是如何通过大量视频预测自发学习到三维空间视角变换与透视法则的？

当前视频世界模型的技术理论局限性：为什么仍然会发生“因果逻辑倒错（如玻璃杯打碎后自发复原）”与“流体/复杂多刚体碰撞计算错误”？