論文の概要: AlayaWorld: Interactive Long-Horizon World Modeling -- Full Technical Report
- arxiv url: http://arxiv.org/abs/2607.18367v1
- Date: Mon, 20 Jul 2026 17:15:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-22 19:05:05.205313
- Title: AlayaWorld: Interactive Long-Horizon World Modeling -- Full Technical Report
- Title（参考訳）: AlayaWorld: インタラクティブなロングホライゾンワールドモデリング - 完全な技術レポート
- Authors: AlayaWorld Team, Kaipeng Zhang, Chuanhao Li, Yifan Zhan, Yongtao Ge, Yuanyang Yin, Jiaming Tan, Kang He, Liaoyuan Fan, Mingliang Zhai, Ruicong Liu, Xiaojie Xu, Xuangeng Chu, Zhen Li, Zhengyuan Lin, Zhixiang Wang, Zian Meng, Zihui Gao,
- Abstract要約: AlayaWorldは、24fpsの動画を540pと720pで生成する、インタラクティブなロングホライゾンビデオワールドモデルである。
AlayaWorldは15Bビデオ拡散トランスフォーマーをベースとして、カメラの軌道下で短時間の潜伏チャンクを自動回帰的に生成する。
iWorld-Benchでは、AlayaWorldは長距離世代よりも最高のパフォーマンスを実現している。
- 参考スコア（独自算出の注目度）: 39.20781986625199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unlike conventional video game development, which relies on labor-intensive pipelines for asset production, animation, physics, and programming, video world models generate interactive environments from user inputs instantly. It enable us to create customized, explorable, and continuously evolving virtual world from text, an image, or video. Realizing this vision requires four tightly coupled capabilities: interaction, persistent spatiotemporal consistency, stable long-horizon generation, and efficient response. We present AlayaWorld, an interactive long-horizon video world model that generates 24-fps video at 540p and 720p. Built on a 15B video diffusion transformer, AlayaWorld generates short latent chunks autoregressively under camera trajectories and switchable text prompts. Its bounded visual context combines a persistent sink frame, compressed temporal history, geometry-aligned spatial memory, and recent-frame conditioning. To reduce long-term drift, the model is trained with corrupted histories and prediction residuals collected from its own roll-outs. We further introduce a discrete autoregressive distillation formulation that combines distribution-matching distillation, self-forcing++, and consistency distillation, reducing inference from approximately 30 sampling steps to four steps per chunk. On iWorld-Bench, AlayaWorld achieves the best performance over long-horizon generation. Conceived as a full-stack, open-source, and long-term project, AlayaWorld is intended to provide an extensible foundation for future research on interactive video world models.
- Abstract（参考訳）: 資産生産、アニメーション、物理学、プログラミングのための労働集約的なパイプラインに依存する従来のビデオゲーム開発とは異なり、ビデオゲームモデルはユーザー入力からインタラクティブな環境を瞬時に生成する。
これにより、テキスト、画像、ビデオからカスタマイズされた、探索可能な、継続的な進化する仮想世界を作成することができます。
このビジョンを実現するには、相互作用、持続的な時空間一貫性、安定した長距離生成、効率的な応答の4つの密結合機能が必要である。
今回紹介するAlayaWorldは,540pと720pで24fpsのビデオを生成する,インタラクティブな長距離ビデオワールドモデルだ。
AlayaWorldは15Bビデオ拡散トランスフォーマーをベースとして、カメラの軌跡と切り替え可能なテキストプロンプトの下で、短い潜時チャンクを自動回帰的に生成する。
その境界付けられた視覚的コンテキストは、永続的なシンクフレーム、圧縮された時間履歴、幾何学的に整列された空間記憶、および最近のフレーム条件の組み合わせである。
長期のドリフトを減らすため、モデルは破損した履歴と、そのロールアウトから収集した残差をトレーニングする。
さらに, 分散マッチング蒸留, 自己強制型++, 整合性蒸留を組み合わせた個別自己回帰型蒸留法を導入し, 約30段から4段まで推算を減らした。
iWorld-Benchでは、AlayaWorldは長距離世代よりも最高のパフォーマンスを実現している。
AlayaWorldは、インタラクティブなビデオワールドモデルに関する将来の研究のための拡張可能な基盤を提供することを目的としている。
関連論文リスト
- AlayaWorld: Long-Horizon and Playable Video World Generation [36.52656377442462]
インタラクティブな生成世界を構築するためのフルスタックのオープンソースフレームワークである textbfAlayaWorld を提示する。
AlayaWorldはオープンなリアルタイムインタラクションを可能にし、ユーザーは自由に戦闘、スペルキャスティング、モンスター呼び出しなどの多様なアクションを操作できる。
論文 参考訳（メタデータ） (2026-07-07T13:59:57Z) - Matrix-Game 3.0: Real-Time and Streaming Interactive World Model with Long-Horizon Memory [53.39687409541093]
Matrix-Game 3.0は、720pのリアルタイムビデオ生成用に設計されたメモリ拡張型インタラクティブワールドモデルである。
データ、モデル、推論にまたがる体系的な改善を導入する。
実験結果から, Matrix-Game 3.0は最大40FPSのリアルタイム生成を実現し, 5Bモデルで720pの解像度を実現した。
論文 参考訳（メタデータ） (2026-04-10T06:00:09Z) - LivingWorld: Interactive 4D World Generation with Environmental Dynamics [8.868060488503847]
リビングワールド(LivingWorld)は、1つの画像から環境動態を持つ4次元世界を生成するインタラクティブなフレームワークである。
LivingWorldはこの課題に対処し、シーンが拡大するにつれて、グローバルなコヒーレントなモーションフィールドを徐々に構築する。
我々はさらに、コンパクトなハッシュベースの運動場を用いて動きを表現し、シーン全体にわたって効率的なクエリと安定した動的伝播を可能にする。
論文 参考訳（メタデータ） (2026-04-02T05:38:48Z) - TeleWorld: Towards Dynamic Multimodal Synthesis with a 4D World Model [53.555353366322464]
我々は,映像生成,動的シーン再構成,長期記憶をクローズドループシステム内で統合するリアルタイム多モード4DワールドモデリングフレームワークTeleWorldを提案する。
提案手法は,動的オブジェクトモデリングと静的シーン表現のシームレスな統合を実現し,現実的でインタラクティブで計算可能な合成システムに向けて世界モデルを推し進める。
論文 参考訳（メタデータ） (2025-12-31T18:31:46Z) - Endless World: Real-Time 3D-Aware Long Video Generation [57.411689597435334]
Endless Worldは、無限の3D一貫性のあるビデオ生成のためのリアルタイムフレームワークである。
本稿では,新たに生成されたコンテンツを既存のビデオフレームと整合させる条件付き自己回帰学習手法を提案する。
我々の3Dインジェクション機構は、拡張シーケンスを通して物理的妥当性と幾何的整合性を強制する。
論文 参考訳（メタデータ） (2025-12-13T19:06:12Z) - RELIC: Interactive Video World Model with Long-Horizon Memory [74.81433479334821]
真のインタラクティブな世界モデルは、リアルタイムの長距離ストリーミング、一貫した空間記憶、正確なユーザ制御を必要とする。
この3つの課題を完全に解決する統合フレームワークであるRELICを紹介します。
単一の画像とテキスト記述が与えられた後、RELICは任意のシーンをリアルタイムにメモリを意識した長期探索を可能にする。
論文 参考訳（メタデータ） (2025-12-03T18:29:20Z) - Matrix-Game 2.0: An Open-Source, Real-Time, and Streaming Interactive World Model [15.16063778402193]
Matrix-Game 2.0はインタラクティブな世界モデルで、数ステップの自己回帰拡散を通じて長時間の動画をオンザフライで生成する。
超高速25FPSで、さまざまなシーンで高品質のミニレベルビデオを生成することができる。
論文 参考訳（メタデータ） (2025-08-18T15:28:53Z) - Video World Models with Long-term Spatial Memory [110.530715838396]
本稿では,ビデオワールドモデルの長期的整合性を高める新しい枠組みを提案する。
我々のフレームワークは、長期空間記憶から情報を保存・取得する機構を含んでいる。
評価の結果,関連するベースラインに比べて品質,一貫性,コンテキスト長が向上した。
論文 参考訳（メタデータ） (2025-06-05T17:42:34Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。