可靠的多视角预测，要求不同相机描述同一套正在演化的三维场景。Video-Point Model（VPM）据此做成世界模型：以多视角视频历史和语言指令为条件，联合预测任意视角的未来视频，以及场景中持久点的三维轨迹。它在预训练世界模型上加入相机条件的多视角处理以融合互补观测，并增加轨迹头预测物理点随时间的移动。每条轨迹跨所有视角跟踪同一个点，与视频生成一并监督，从而把各相机的外观变化锚定到共享的三维运动上。
用点轨迹约束多机位外观
关键设定是外观服从跨视角一致的点运动，而不是各相机各自外推像素。同一物理点在所有视角被跟踪，生成过程同时优化视频与轨迹。模型还接受语言指令，并可从任意视角生成未来视频。摘要未说明骨干、视角编码和点对应方式，不能补写实现。能确定的是：这是预训练世界模型的扩展，三维轨迹为显式监督，而非生成后再做几何对齐。
数据、评测与机器人接口
训练用 VPM-Data，将同步多视角视频与持久点轨迹配对的仿真语料。评测用 VP-WorldBench，覆盖仿真与真实环境，并对照已有 4D 生成基准。摘要只给出方向性结果：相对纯视频对照，点监督同时提高视频保真度和三维运动精度，未报告指标。机器人扩展把动作当作生成器中的 token 模态，与点监督骨干共享并与未来视频联合去噪，把策略接到同一套三维感知表征。摘要在仿真与真机处被截断，仅称点监督也有提升，任务与数值均未给出。
我的判断
价值在问题定义：用跨视角持久点，把多机位预测改成同一 3D 运动的多投影。对需要运动一致性的视频世界模型和机器人预演，这个监督比单纯堆视觉 token 更对准需求。边界同样清楚：训练是仿真配对数据，真实点轨迹如何获得未说明，任意视角与动作接口也未展开。点监督改善保真度与运动精度方向合理，但缺少数字和完整真机结论，只适合当方法线索，不宜外推为可部署方案。