论文页面 - H3-World：将语言理解转化为世界控制

来源：https://huggingface.co/papers/2609.01560

摘要

我们提出了H3-World，一个高效的框架，它将33B MiniMax-H3视频生成器转变为交互式世界模型。我们的关键发现是，随着大型视频生成器能力增强，语言正作为一种自然的控制接口涌现。例如，MiniMax-H3已支持通过自然语言指令实现对角色行为和摄像机运动的零样本控制。在此基础上，H3-World将这一粗糙的语言接口转化为精确的、时间对齐的世界控制，且无需引入专用的动作模块。具体而言，我们将每个动作表示为角色与摄像机指令的结构化组合，并将其与相应的时间视频潜在变量对齐。为实现精确的时间控制，我们进一步引入了时间注意力路由机制，该机制将每条指令限制在其预定的时间区间内，减少了动作间的控制泄露。重要的是，H3-World直接复用了大规模视频预训练过程中学习到的语义表征，仅需轻量级的适配。仅使用8,000个游戏样本、10,000步LoRA优化以及0.199%的可训练参数，H3-World便在保持强大生成质量的同时，实现了有效的角色与摄像机控制。它还能泛化至未见过的场景。这些结果表明，大型视频生成器中涌现的控制能力可以被高效地转化为交互式世界控制。

查看arXiv页面 (https://arxiv.org/abs/2609.01560) 查看PDF (https://arxiv.org/pdf/2609.01560) 项目页面 (https://danzer1xxxxchan.github.io/H3-World/) GitHub (https://github.com/Danzer1xxxxChan/H3-World) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2609.01560)

在你的代理中获取此论文：

hf papers read 2609.01560

没有最新的CLI？curl -LsSf https://hf.co/cli/install.sh | bash

引用此论文的模型 0

没有模型链接此论文

在模型 README.md 中引用 arxiv.org/abs/2609.01560 以从本页链接它。

引用此论文的数据集 0

没有数据集链接此论文

在数据集 README.md 中引用 arxiv.org/abs/2609.01560 以从本页链接它。

引用此论文的Space 0

没有Space链接此论文

在Space README.md 中引用 arxiv.org/abs/2609.01560 以从本页链接它。

包含此论文的收藏 0

没有包含此论文的收藏

将此论文添加到收藏 (https://huggingface.co/new-collection) 以从本页链接它。