自回归世界模型

GeoState包含场景tokenizer、几何decoder和自回归世界模型三个关键组件。场景tokenizer将多视角GFM特征聚合为视角解耦的场景状态；几何decoder用相机射线查询场景状态以渲染特定视角观测；自回归世界模型在解耦后的场景状态空间中进行预测并独立建模相机运动。

自回归世界模型指以当前或历史状态为输入、逐步预测未来状态的生成式模型，常见做法是将每一时刻的场景表示视为token序列，用Transformer等结构按时间顺序推理。