牛津大学、莫纳什大学、布里斯托大学等团队提出交互式视频世界模型 Oneira，把“世界中发生了什么”与“画面如何呈现”分开处理：由 Coding Agent 维护 World State Table，记录场景中物体的语义标签、3D BBox 与交互状态，Engine 把该表渲染为简化的条件视频，真实外观与动作细节再交由视频生成模型补全。团队构建了包含 100 个交互测例和 50 个记忆测例的评测集 InteractionBench，并与 MiniMax-H3 Ref2VA、LingBot-World-V2、YUME 1.5、AlayaWorld 进行定性与定量对比。作者称，Oneira 在交互是否发生、时机是否准确、对象是否正确三项指标上分别高出最强基线 29、19、29 个百分点；镜头离开再返回同一位置时，PSNR 和 SSIM 分别提升 93% 和 83%，状态保持率提升 18%，VBench 视频质量也处于最好或接近最好水平。