當模型要由片段影片理解場景、推演未來，甚至回應外部行動時，單純辨認畫面中的物件並不足夠。這份影片世界模型調查以影片與世界狀態的關係為主線，整理 Video Foundation Models 如何處理觀察不完整、時間變化和因果推理等問題。
調查將能力分成四個互相關聯的操作：Reading 從影片讀取語意、空間、時間、物理及因果資訊；Writing 生成可能發生的未來；Sharing 建立可供不同任務共用的表示；Interacting 則把感知結果連接到行動、控制和環境回應。內容涵蓋影片表示學習、Video-LLMs、影片生成、影片代理及世界預測等方向。
影片只是世界的部分記錄，而且可能遺失被遮擋的物件、視角以外的資訊或事件之間的因果關係。調查因此區分 temporal coherence 與 world consistency：畫面可以連續流暢，但物件再次出現時未必保持同一身份；鏡頭突然切換，也不一定代表世界狀態中斷。
• 以世界狀態統一影片理解與生成
• 覆蓋 2017 至 2026 年的研究發展時間線
• 比較 contrastive、masked、predictive 及 generative learning
• 關注長片段、串流觀察與影片代理的證據累積
• 收錄 669 篇參考文獻及多個尚待解決的研究問題
這份材料適合研究影片模型、World Models、多模態模型和 Computer-use agents 的讀者，也可作為設計影片理解、未來預測、模擬環境或機械人互動工作流時的索引。它屬於調查項目，並非可直接下載或安裝的單一模型；原始資料亦沒有提供具體使用流程。