AlayaWorld 开源 720p、24 FPS 视频世界模型并支持镜头控制
fruesome · reddit · 2026-07-22
AlayaWorld 被介绍为一个全栈、开源的 视频世界模型，支持 720p、24 FPS 的流式视频生成，还能做 相机控制 和基于文本的事件插入。
- 方案围绕四个核心能力：交互性、一致性、稳定性、运行时效率。
- 交互性：使用两条控制通道——一个是带轻量相机调制的渲染 3D cache，用于具身、轨迹感知的导航；另一个是 chunk 级 prompt 切换，可在生成中途插入新事件。
- 一致性：通过重投影到当前视角的 3D cache 提供空间记忆，再配合压缩后的帧历史嵌入，保证回到旧地点时仍可识别。
- 稳定性：训练时加入漂移历史，并通过 error bank 把累计伪影重新注入记忆和目标，避免长时间生成中误差滚雪球。
- 运行时：借助 few-step DMD distillation 和短时序 chunk，让交互保持实时性。
帖子同时给出了 GitHub、Hugging Face 和技术报告链接，因此既是项目发布，也有较强的研究阅读价值。
所属事件:阿里开源15B视频世界模型AlayaWorld(5 条相关)→
「多模态」频道最新
- Techhalla 公开 3D 参考工作流：2D 设计到 Kling 4.0 精细动画全流程 — techhalla · 2026-10-26
- 对话手机即可重建旧金山舰队周数字孪生，浏览器内电影级渲染 — bilawalsidhu · 2026-10-26
- 19 分钟让 Claude Code 学会剪辑师风格，自动产出整条 Reel — PrajwalTomar_ · 2026-10-26
- 「递归眼睛」提示词走红:漩涡中无限套娃的人脸插画 — LudovicCreator · 2026-10-26
- BFL 开源 5.6B 文生图模型 FLUX 3 Klein,比上代小 38% 还涨 91 Elo — dl_weekly · 2026-10-26
- Claude+HyperFrames 几分钟复刻任意短视频风格 — petergyang · 2026-10-26