CityRAG：用空间锚定的视频生成走进一座城市

CityRAG 是一款视频生成模型，以大规模地理配准数据作为上下文，将生成内容锚定到真实物理场景，同时保留复杂运动与外观变化的学习先验。它依赖时间上不对齐的训练数据，让模型在语义上把底层场景与其瞬态属性解耦。实验显示其可生成连贯的数分钟级物理锚定视频序列，在数千帧内维持天气与光照条件，实现回环闭合，并沿复杂轨迹导航以重建真实地理。