WorldForge × MiniMax-H3
通用视频模型的原生条件通道，能替代 inference-time 引导吗？

WorldForge 的 pipeline 是 warping → 重绘，其中重绘靠三个推理时设计（IRR / FLF / DSG）把轨迹引导注入扩散过程。本实验把重绘阶段整体换成 MiniMax-H3 的原生条件通道（reference / SDEdit / retake-inpaint），去掉全部 inference-time 设计，只喂首帧 + warp 视频，看通用模型能否零成本顶上。

training-freeMiniMax-H3 (Ref2VA) 单卡 H200 · bf16masked 定量评测n=2 场景 · 证据中等

一句话结论

11.3a1 纯 in-context 在 two_car 的 masked PSNR — 重画了一个几何不同的新场景，不跟轨迹

25.8a2 SDEdit 的 masked PSNR（最高）— 但代价是根本不填洞

a3唯一真去填洞的臂 — 但大洞上变色 / 画崩

✗没有一条臂能同时「跟上轨迹」和「填好洞」——这正是 WorldForge 那套引导存在的理由

评测锚点：warp 帧在 WorldForge mask 的保留区（白）是几何正确的。该区 masked PSNR ↑ = 轨迹保真； LPIPS↓ 是相对 warp 的整体差异；MUSIQ↑ 是无参考观感（补洞质量的间接信号）。各臂统一 resize 到同画布，resize 偏差对所有臂一致。

逐格对比

同一批 warp 输入、同一 prompt、同一 seed，只换条件通道。H3 三臂与 WorldForge 原生 Wan / LongCat 并排。点任意视频可播放/暂停全部。

定量总表

三条臂的机理

a1 纯 in-context（用户原设计） — references=[首帧 image, warp video]，纯噪声起点。 H3 的 reference 通道与 target 用不同 RoPE grid、参考被缩到短边 768，只借运动、不借像素外观。 two_car 上 masked PSNR 仅 11.3、LPIPS 0.70：它生成了流畅视频、把洞填满了，但几何是自己重画的，不是 warp 的轨迹。精确复现了 NovaVSR 先验。

a2 SDEdit — 把 warp 加噪到 σ 作为起点。保真最好（PSNR 25.8、LPIPS 0.10），但不填洞：低噪起点改不动黑洞，退化成「高保真复制 warp」，没解决 disocclusion。

a3 retake inpaint — retake_video=warp + inpaint_mask=洞（注意极性：WorldForge mask 白=保留，H3 mask 1=重画，需取反）。唯一真去填洞的臂，但大洞上变色 / 出现伪影。可能与 H3 retake 的 mask 时间粒度（17 帧一个 VAE clip 取并集，洞随镜头变大被过度挖）有关，也可能是模型在大面积缺失上本就不稳。

对照 · WorldForge 原生 — Wan / LongCat 带完整 IRR/FLF/DSG，masked PSNR ~20（比 a2 低，因为它们真重画了洞、保留区也略动），但既填洞又整体协调。用一点保真换来了正确的 disocclusion 重绘——这是三条 H3 臂都做不到的。

附录 · WorldForge 复现（4 模块全跑通）

上游 warping 阶段的产物（喂给上面重绘阶段的输入）。完整复现说明见仓库 REPRODUCTION.md。

数据自 experiments/h3_backbone/output/_metrics.json 自动生成 · 环境 envs/diffsynth（torch 2.12）· 8×H200 并行 · ⚠️ 证据强度：n=2 场景、参数未搜索、masked 仅 PSNR。结论为待验假设级。