ABot-World-0 在单张 RTX 5090 上滚动 720P 交互世界

Fan Jiang · hf · 2026-07-22

ABot-World-0 在单张 RTX 5090 上实现 720P 长时程交互滚动

这篇工作提出 ABot-World-0，是一个面向实时、长时程闭环交互的动作条件视频世界模型。

• 数据管线来自多个来源，包括 3A 游戏、仿真引擎和互联网视频。
• WorldExplorer 会根据训练反馈做 agent 驱动的数据采集；整条数据流水线还包含 14 个确定性质量检查、VLM 评估，以及动作和文本的同步标注。
• 模型从一个双向 teacher 蒸馏成 causal student，使用了 teacher forcing 和 ODE distillation。
• 作者还提出 LongForcing，把长时间自回滚与更长时域的 teacher 对齐，缓解分布偏移和自回归漂移。
• 交互接口用原始键盘动作统一支持场景漫游和第三人称角色互动，同时引入 reference-character memory 来保持外观一致性。
• 部署侧，他们联合设计了流式推理栈，包括轻量 VAE decoder、efficient attention、memory-aware scheduling 和 low-bit DiT 推理。
• 在优化后的低比特配置下，系统能在 单张 NVIDIA RTX 5090 上以最高 16 FPS 流式输出 720P 视频，首帧延迟约 1.2 秒，峰值显存约 19 GiB。
• 在 WorldRoamBench 和长回滚实验中，模型表现出较强的可控性与连贯的长期世界演化能力。

原文链接 →

「具身」频道最新

• DONIC 双手机器人追踪成功率 86.79%，远超此前 SOTA 的 9.43% — liuziwei7 · 2026-10-27
• Bedrock Robotics 融资 6 亿美元,改装挖掘机已在商业工地全自动驾驶接单 — Sethwinterroth · 2026-10-27
• AW-0 机器人模型实测:RoboTwin 50 项任务成功率 80.8% 远超基线 — trevordarrell · 2026-10-27
• AW-0 用代码流改变世界模型预测:同一指令下精准选中目标物体 — trevordarrell · 2026-10-27
• AW-0 单卡 RTX 5090 推理 230ms:联合去噪比自回归代码快 2.4 倍 — trevordarrell · 2026-10-27
• AW-0 世界动作模型发布：一个生成式模型同时管规划、预测与控制 — trevordarrell · 2026-10-27

更多「具身」频道 AI 资讯 →