ReactWorld：用结构化交互响应引导具身视频生成

ReactWorld 是一个由结构化交互预判引导的具身视频生成模型，针对生成的对象响应可能与任务意图和接触动力学不一致的问题。研究在生成骨干的特征空间中引入交互响应场预测器，显式描述参与者角色、未来运动响应强度和局部运动变化；响应反馈适配器则根据对象分支在预测局部动力学输入与置零输入下的输出差异形成对象特征增量，并把预测位移转换为时间注意力的位置偏置。在 RBench 上平均得分 77.51，比 PhysisForcing 高 3.29 分，九个类别均有提升；在 EZS-Bench 上 Domain 得分 86.98，平均得分 81.87。论文为预印本，共 10 页、7 幅图。