论文页面 - SolarWM：面向长时序视频世界模型的开放数据与可扩展训练方案

来源：https://huggingface.co/papers/2609.02886 发布于9月2日

#2 当日精选论文（https://huggingface.co/papers/date/2026-09-03） 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

SolarWM提供了一个开放框架与统一训练方案，用于在多样化数据源和生成器骨干网络上构建交互式视频世界模型，从而实现长时序实时推演。

我们推出SolarWM，这是一个完全开放的基础框架，用于从数据准备到长时序推理的全流程交互式视频世界模型（https://huggingface.co/papers?q=video%20world%20models）构建。跨异构数据源和视频骨干网络的训练极具挑战：数据集在时间尺度、相机几何、视觉质量、运动模式和标注风格上存在差异，而视频生成器采用不同的表示形式和架构。简单的数据混合和特定模型的实现方案会导致监督信号不一致，使得结果难以复现和比较。SolarWM通过可重构多源数据引擎（https://huggingface.co/papers?q=multi-source%20data%20engine）和骨干网络原生适配（https://huggingface.co/papers?q=backbone-native%20adaptation）框架解决了这种耦合问题。该引擎将来自10个数据集的143万个标准片段转换为统一的、帧对齐的协议，涵盖视觉观测、度量相机几何、标注、质量元数据、选择决策和溯源信息，同时将源处理与混合构建解耦。在共享的相机条件控制（https://huggingface.co/papers?q=camera-conditioning）、训练和推理接口下，我们基于Wan2.2、LTX-2.5和MiniMax-H3实例化了四个5B至33B参数的模型，同时保留其原生表示和目标。统一的三阶段方案结合了双向适配、教师强制自回归初始化（https://huggingface.co/papers?q=autoregressive%20initialization）和分布匹配蒸馏（https://huggingface.co/papers?q=distribution%20matching%20distillation）。生成的因果模型（https://huggingface.co/papers?q=causal%20models）仅通过5秒序列的训练，即可在分钟到小时的推演范围内实现实时交互。通过发布生成的数据、处理流程、训练方案、权重和框架，SolarWM为交互式世界模型研究提供了可复现且可扩展的基础。

查看arXiv页面（https://arxiv.org/abs/2609.02886）查看PDF文档（https://arxiv.org/pdf/2609.02886）项目主页（https://junchao-cs.github.io/SolarWM-Web/）GitHub仓库（https://github.com/Junchao-cs/SolarWM）添加到收藏（https://huggingface.co/login?next=%2Fpapers%2F2609.02886）

通过智能体获取本文：

hf papers read 2609\.02886

尚未安装最新CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本文的模型1

junchaoh-cs/SolarWM 约1小时前更新（https://huggingface.co/junchaoh-cs/SolarWM）

引用本文的数据集1

junchaoh-cs/SolarWM-Data 约1小时前更新 • 69 • 5（https://huggingface.co/datasets/junchaoh-cs/SolarWM-Data）

引用本文的应用空间0

暂无关联本文的应用空间

在应用空间的README.md中引用 arxiv.org/abs/2609.02886 即可从本页面链接。

包含本文的收藏集0

暂无包含本文的收藏集

将本文添加到收藏集（https://huggingface.co/new-collection）即可从本页面链接。