AlayaWorld 把交互式长时程世界模型做到 24 帧视频生成
AlayaLab · hf · 2026-07-22
AlayaLab 发布 AlayaWorld，一套交互式长时程视频世界模型，主打从文本、图片或视频出发，生成可探索、持续演化的虚拟环境。
它能做什么
- 生成 24fps、540p/720p 的视频。
- 基于一个 15B 参数的视频 diffusion transformer。
- 在相机轨迹和可切换文本提示下，按短 latent chunk 自回归生成。
稳定性怎么做
- 通过 persistent sink frame、压缩的时间历史、几何对齐的空间记忆和最近帧条件一起维持长程一致性。
- 用来自自身 rollout 的 corrupted histories 和 prediction residuals 训练，降低长期漂移。
- 还引入离散自回归蒸馏，把每个 chunk 的推理步数从大约 30 步降到 4 步。
结果
- 在 iWorld-Bench 上拿到长时程生成的最佳表现。
- 作者把它定位为一个开源、可扩展的交互式视频世界模型底座。
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
- Midjourney 风格参考分享:--sref 2912175708 — tisch_eins · 2026-09-11
- Astra 分镜+Minimax H3 分镜逐帧生成，视频创作成功率大增 — Hailuo_AI · 2026-09-11
- Hailuo 转推：MiniMax H3 MAX 一发生成 15 秒美食动画短片 — Hailuo_AI · 2026-09-11
- MiniMax Music 制作工具包 2.5 发布,新增完整母带处理链 — Vivid_Promise1700 · 2026-09-11
- ComfyUI 新节点发现器上线:按 star 增速过滤最新热门节点 — Luke2642 · 2026-09-11
- 用 MiniMax H3 MAX 对一只蚊子放大招,蚊子毫发无伤 — Hailuo_AI · 2026-09-11