WorldDreamerは、マスクされた視覚トークンの予測を通じて世界のダイナミクスを理解しシミュレートする革新的なビデオ生成モデルです。画像からビデオへの合成、テキストからビデオへの生成、ビデオ修復、ビデオスタイル変換、モーションからビデオへの生成など、複数の分野で優れた性能を発揮します。このモデルは、大規模言語モデルの成功事例を参考に、世界モデリングを教師なしの視覚シーケンスモデリングの課題と捉え、視覚入力を離散的なトークンにマッピングし、マスクされたトークンを予測することで実現しています。