论文页面 - AlayaWorld: 交互式长程世界建模——完整技术报告

来源：https://huggingface.co/papers/2607.18367 作者：

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

,

摘要

与传统视频游戏开发依赖繁重的资产制作、动画、物理和编程管线不同，视频世界模型能够根据用户输入即时生成交互式环境。这使我们能够从文本、图像或视频中创建可定制、可探索且持续演进的虚拟世界。实现这一愿景需要四个紧密耦合的能力：交互、持续的时空一致性、稳定的长程生成以及高效响应。我们提出 AlayaWorld，一个交互式长程视频世界模型，可生成 24fps、分辨率达 540p 和 720p 的视频。该模型基于一个 15B 参数的视频扩散 Transformer，在相机轨迹和可切换文本提示下自回归地生成短潜变量块。其有界视觉上下文结合了持久关键帧、压缩的时间历史、几何对齐的空间记忆以及最近帧条件。为了减少长期漂移，模型使用自回归滚动过程中收集的损坏历史与预测残差进行训练。我们进一步引入一种离散自回归蒸馏公式，结合了分布匹配蒸馏、self-forcing++ 和一致性蒸馏，将推理从每个块约 30 步采样减少到 4 步。在 iWorld-Bench 上，AlayaWorld 在长程生成任务中取得了最佳性能。作为一项全栈、开源且长期的项目，AlayaWorld 旨在为未来交互式视频世界模型的研究提供可扩展的基础。

查看 arXiv 页面 (https://arxiv.org/abs/2607.18367) 查看 PDF (https://arxiv.org/pdf/2607.18367) 项目页面 (https://alaya-lab.github.io/AlayaWorld/) GitHub (https://github.com/AlayaLab/AlayaWorld) 添加到收藏 (https://huggingface.co/login?next=%2Fpapers%2F2607.18367)

在你的代理中获取此论文：

hf papers read 2607\.18367

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

引用此论文的模型0

没有链接此论文的模型

在模型 README.md 中引用 arxiv.org/abs/2607.18367 以将其链接到此页面。

引用此论文的数据集0

没有链接此论文的数据集

在数据集 README.md 中引用 arxiv.org/abs/2607.18367 以将其链接到此页面。

引用此论文的 Space0

没有链接此论文的 Space

在 Space README.md 中引用 arxiv.org/abs/2607.18367 以将其链接到此页面。

包含此论文的收藏集0

没有包含此论文的收藏集

将此论文添加到收藏集 (https://huggingface.co/new-collection) 以将其链接到此页面。