论文页面 - ForgeWM：面向少步动作条件视频世界模型的渐进式因果训练

来源：https://huggingface.co/papers/2608.14022 作者： ， ， ， ， ， ， ， ， ， ，

摘要

ForgeWM 将双向视频生成器逐步蒸馏为高效的少步交互式世界模型，支持对齐的离散与连续控制，实现低延迟交互和回放时精炼。

动作条件视频世界模型（https://huggingface.co/papers?q=Action-conditioned%20video%20world%20models）需要低延迟因果生成和对游戏原生控制的可靠响应。尽管因果蒸馏（https://huggingface.co/papers?q=causal%20distillation）可实现一步或少步视频合成（https://huggingface.co/papers?q=few-step%20video%20synthesis），但将其扩展到交互式世界模型仍具挑战，因为离散键盘状态与连续鼠标运动必须在因果训练和自回归展开（https://huggingface.co/papers?q=autoregressive%20rollout）期间，与时序压缩的潜在块（https://huggingface.co/papers?q=latent%20chunks）保持对齐。我们提出 ForgeWM——一个渐进式框架，通过领域适配、教师强制因果训练、因果一致性蒸馏（https://huggingface.co/papers?q=causal%20consistency%20distillation）以及结合双向教师（https://huggingface.co/papers?q=bidirectional%20teacher）的策略内分布匹配（https://huggingface.co/papers?q=on-policy%20distribution%20matching），将双向动作条件视频生成器转化为高效的少步世界模型。由此产生的预算特化学生模型分别在 1、2 和 4 步的稳定去噪预算下运行。ForgeWM 进一步支持双路径部署协议，结合延迟关键交互与可选的回放时精炼（https://huggingface.co/papers?q=replay-time%20refinement），其中一步学生模型会对其保存的草稿进行再加噪与精炼。在配对的 Minecraft 轨迹上，ForgeWM 在成像质量、参考对齐运动轮廓一致性、动作符号准确性和鼠标控制准确性方面领先于所评估的系统，同时实现了最低的参考 LPIPS；同样的四阶段方案可迁移至手柄控制的 FPS 游戏玩法。回放时精炼（https://huggingface.co/papers?q=Replay-time%20refinement）能匹配四步参考质量，同时其与经历轨迹的距离大约仅为从噪声重新生成的三分之一。这些结果证明了 ForgeWM 在可控少步视频生成方面的有效性。

查看 arXiv 页面 (https://arxiv.org/abs/2608.14022) 查看 PDF (https://arxiv.org/pdf/2608.14022) 项目页面 (https://asdfo123.github.io/ForgeWM/) GitHub76 (https://github.com/asdfo123/ForgeWM) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2608.14022)

获取论文到你的代理中：

hf papers read 2608\.14022

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

引用此论文的模型 1

ForgeWM/ForgeWM (https://huggingface.co/ForgeWM/ForgeWM)

引用此论文的数据集 1

ForgeWM/ForgeWM-data (https://huggingface.co/datasets/ForgeWM/ForgeWM-data)

引用此论文的空间 0

没有链接此论文的空间 在空间 README.md 中引用 arxiv.org/abs/2608.14022 以从本页面链接。

包含此论文的收藏夹 0

没有包含此论文的收藏夹 将此论文添加到收藏夹 (https://huggingface.co/new-collection) 以从本页面链接。