Sekai2：从世界探索到交互式世界建模

视频世界模型需要学习场景随时间与视角变化的规律，因此长程生成与相机控制训练需要同时提供长视频、相机轨迹和时间对齐的语义。现有网络视频缺少轨迹与时间文本，位姿标注数据则多为短片段或面向重建。Sekai2包含113个国家或地区、10428个源视频的128892个片段，共2826小时。数据偏重持续观察：按统一120秒规则切分时，43594段达到完整两分钟，占全部视频时长的51.4%。每段都提供相机轨迹和分层标注，区分主体运动、环境动态、静态场景与相机行为，形成649597个时间对齐的语义片段。数据还包含982条沿非线性路径拍摄、带闭环与重访的全景序列，使相同地点可在不同时间和视角重复观察，支持持久场景表示、长期空间记忆及几何一致世界模型学习。语料分析显示位姿与描述覆盖完整，地理和语义分布广泛，相机轨迹多样、时间描述冗余较低，可用于长程视频生成、相机可控合成与交互式世界模型预训练。