未来的需要，决定该记住哪一帧

长视频生成有两个老毛病：历史越攒越多算不动，模型对物理世界的理解又没人能量。Hugging Face 今日论文榜的前两名恰好各治一个，组合着读很有意思。

FrameMorrow：按未来需要选历史帧

Bo Yin 等人的 FrameMorrow（arXiv:2609.38839）处理长时程视频生成的上下文问题。常见做法是按与当前内容的相似度挑历史，作者的观点恰恰相反：历史该按与未来需要的相关度入选。方法分两步，先预测一小撮前瞻 token，代表接下来生成要用的信息；再按这些需要挑选相关的历史帧。

关键设计在选的是显式帧而不是模型内部状态，于是它可以即插即用地挂到不同生成器上，闭源的也行，额外推理开销很小。五个基准加 11 个生成模型（长视频、交互式、动作条件世界模型）的验证里，长程一致性、视觉质量、动作对齐三线都有增益。论文页未见代码链接。

World Embedding Benchmark：给世界理解配把尺子

Yiqi Liu 等 11 位作者的 WEB（arXiv:2610.03632）造了 8000 例受控仿真场景，覆盖流体、固体力学、动力学与光电等 80 个物理族，每例配渲染视频与物理标注。基准支持三项任务：文本视频检索、物理属性回归、多选描述分类，分别考跨模态对齐与定量物理信息的恢复。

三个发现值得记。第一，预训练的 omnimodal 嵌入模型物理检索很弱，族内分类接近随机猜。第二，轻量探针能从冻结的嵌入里挖出有用的物理信息，说明信息在但没对齐。第三，用物理配对做对比训练能提升检索却伤害回归，对齐与可恢复性存在取舍。还有个实用彩蛋：拿嵌入去检索参考视频做检索增强生成，MiniMax-H3 生成视频的物理保真度会变好。该篇同样未见代码链接。

放在一起读

一个让生成器记得聪明，一个让我们量得清楚。视频这条线在站内已经从工具侧写到模型侧，这两篇补上了方法与评测两块地基；嵌入里藏着但没对齐的物理知识，也呼应了此前 harness 系列的结论：能力常在，缺的是把它请出来的结构。