最近，韩国互联网巨头 Naver 发布了一项非常值得关注的研究成果：

Seoul World Model（首尔世界模型，SWM）

简单说，它不是像传统视频生成模型那样“凭空幻想一个城市”，而是第一次让 AI 真正基于现实世界中的城市地图和街景数据，去生成一个真实存在的城市空间视频模型。

这件事的意义非常大。

因为它试图解决生成式 AI 一个长期存在的问题：

幻觉（Hallucination）

尤其是在空间和城市场景里，这个问题一直非常严重。

过去的世界模型：看起来很真，其实全是“脑补”
过去很多视频世界模型都很强。

比如输入一张街景图，AI 可以继续往前生成：

街道延伸
楼宇分布
路口转弯
远处建筑

视觉上看起来很逼真。

但有一个根本问题：

后面的城市根本不存在。

模型只是根据概率去“猜”：

前面可能还有一条路
左边可能是一栋楼
远处可能有高架桥

也就是说，除了起始画面是真实的，后面很多内容都是 AI 自己想象出来的。

这就是为什么文章标题里说：

stop AI from hallucinating entire cities

非常形象。

过去 AI 不是在生成城市，而是在“编城市”。

Naver这次做法非常直给：直接喂真实街景
不要让模型瞎猜，直接给它真实世界数据。

他们调用了自家地图服务 Naver Map 的海量街景资源。

总量达到：

120万张街景全景图

这些图像全部来自首尔真实街道。

用户输入三个信息：

地理坐标
相机移动方向
文本描述
比如：

首尔江南某条街道
镜头向前移动200米
夜景 + 雨天效果

系统就会从数据库里实时检索附近真实街景图，作为生成锚点。

本质上它有点像：

RAG + 视频世界模型

可以理解为：

不是靠模型记忆生成
而是边查真实地图边生成视频

最核心突破：它学会了分辨“什么是真实结构”
现实街景数据有个很大的难题。

比如某一天街景拍摄时，路边停了一辆黄色卡车。

如果模型直接学习这张图，它可能会误以为：

这辆车是城市结构的一部分

下一次生成时，这辆车可能永远停在那里。

这显然不合理。

因为车、人、广告牌这些东西都是动态变化的。

Naver 为此设计了一个很关键的机制：

Cross-temporal pairing（跨时间配对）

简单说，就是让模型学习同一个地点不同时间拍摄的数据。

这样 AI 就能逐渐学会区分：

永久结构：

建筑 路面 红绿灯 路口

临时元素：

汽车 行人 外卖车 路边广告

这一步非常关键。

因为它决定 AI 学到的是“城市骨架”，而不是某一时刻的随机画面。

还能提前“看前方”，避免越生成越跑偏

另一个很厉害的技术点叫：

Virtual Lookahead Sink

可以理解成：

AI 在往前走的时候，会不断看前方路标

也就是系统会持续检索前方街景图像，给模型一个“未来锚点”。

这非常像人类开车：

一边看当前道路
一边提前看前面路口

这样就能避免长距离生成时越来越偏。

否则传统模型经常会出现：

开着开着楼没了
路突然歪了
城市结构崩掉了

SWM 在这方面提升非常明显。

它可以稳定生成：

数百米甚至公里级连续城市视频

而且仍然保持空间一致性。

这可能是“数字孪生城市AI”的重要起点
这项技术的意义，不只是视频生成。

它有潜力进入三个超级大的场景。

1）自动驾驶仿真
真实城市环境模拟，一直是自动驾驶训练的核心。

过去大量依赖 CARLA 这种模拟器。

但模拟器和真实世界总有差距。

而这种基于真实街景构建的世界模型，天然更适合：

自动驾驶路径测试
极端天气模拟
路况预测

2）城市数字孪生
本质上它已经很接近：

AI驱动的城市级数字孪生

未来完全可以用于：

智慧园区
智慧交通
城市规划推演
商圈热力模拟

3）具身智能 / Agent导航
未来机器人、无人机、智能体都需要理解真实空间。

这个模型很可能成为：

空间智能基础模型

类似“城市版世界大脑”。

说得大胆一点：

这不是一个视频模型
这是现实世界的AI操作系统雏形