論文の概要: ReWorld: An Interactive World Model with Long-Horizon Memory
- arxiv url: http://arxiv.org/abs/2608.23565v1
- Date: Mon, 24 Aug 2026 17:59:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.232201
- Title: ReWorld: An Interactive World Model with Long-Horizon Memory
- Title（参考訳）: ReWorld: 長期記憶を備えたインタラクティブな世界モデル
- Abstract要約: ReWorldは、トレーニング中にコントロールとメモリを分離し、推論時にそれらをバウンドする。
メカニカルスケールのデータエンジンは、8つのソース(非現実的なフライスルー、ゲームローミング、現実世界の映像)を1つの物理アクションスケールに配置する。
1つのバックボーンは高忠実度マルチステップモードとリアルタイムインタラクティブモードの両方を提供する。
- 参考スコア（独自算出の注目度）: 43.24590497177396
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An interactive world model must follow the user's actions, remember the places it has shown, and stream in real time. The tension is structural: control wants a short horizon, memory wants an unbounded one. ReWorld separates the two during training and bounds them at inference. Mixed per-head attention windows confine most heads to the recent past while a small set of global heads attends over the entire history, and random head routing keeps either capability from binding to particular heads; random chunk dropping makes sparse histories in-distribution. At inference the whole past lives under a fixed budget: a bounded KV cache backed by a pose-indexed landmark bank, from which the model retrieves the landmarks nearest the current pose. A metric-scale-aligned data engine places eight sources -- Unreal-rendered fly-throughs, game roaming, and real-world footage -- on one physical action scale, so the same key press moves the camera the same distance in every source, and palindrome trajectories supply the revisit evidence that memory training needs. Distribution-matching distillation confined to a LoRA adapter then compresses sampling to four steps: one backbone serves both a high-fidelity multi-step mode and a real-time interactive one, streaming 704x1280 video across photorealistic, game-style, and stylized worlds. Under a three-axis protocol covering action following, long-horizon recall, and video quality, against six recent interactive world models it attains the best control fidelity ($11.95^\circ$ rotation error and the best camera-motion consistency) and the best generation quality; and on minute-long out-and-back rollouts ($64$\,s, $384$ latents), its fixed 12-chunk cache still regenerates the starting view -- at rollout lengths where a sliding window has long evicted the evidence and full-KV attention runs out of memory.
- Abstract（参考訳）: インタラクティブな世界モデルは、ユーザの行動に従い、表示された場所を記憶し、リアルタイムでストリームしなければなりません。
コントロールは短い水平線を望んでおり、メモリは無制限のものを望んでいます。
ReWorldはトレーニング中に2つを分離し、推論時にそれらをバウンドする。
頭当たりの注意窓の混在は、近年のほとんどの頭を封じ込め、グローバルヘッドの小さなセットが歴史全体に参加し、ランダムヘッドルーティングは、いずれの能力も特定の頭へのバインドから守っている。
モデルが現在のポーズに最も近いランドマークを検索する、ポーズインデックス付きランドマークバンクによってバックアップされた境界付きKVキャッシュ。
メトリックスケールのアライメントデータエンジンは、8つのソース(非現実的なフライスルー、ゲームローミング、現実世界の映像)を1つの物理アクションスケールに配置する。
1つのバックボーンは高忠実度マルチステップモードとリアルタイムインタラクティブモードの両方に対応し、704x1280のビデオはフォトリアリスティック、ゲームスタイル、スタイル化された世界にわたってストリーミングされます。
最近の6つのインタラクティブな世界モデルに対する3軸のリコール、ビデオ品質に続くアクションをカバーし、最高制御精度(11.95^\circ$ローテーションエラーと最高のカメラモーション一貫性)と最高の世代品質を達成した。
関連論文リスト
- Sekai2: From World Exploration to Interactive World Modeling [22.57939715452233]
Sekai2(セカイ2)は、セカイの世界探査映像をインタラクティブな世界モデリングへ運ぶマルチソースのリアルワールドビデオデータセットである。
リリースには128,892のクリップが含まれている。
すべてのクリップには、被写体の動き、環境のダイナミクス、静的なシーンの内容、カメラの振る舞いを区別する、リリースされたカメラの軌跡と階層的なアノテーションが含まれており、結果として649,597の時間的接地セグメントが生成される。
論文 参考訳（メタデータ） (2026-08-10T11:23:01Z) - Addressable Memory for Video World Models [50.40232922140905]
インタラクティブなビデオワールドモデルにおける視覚的永続性について研究する。
長時間の視覚的永続性のためのトレーニング不要なメモリフレームワーク WorldTrace を提案する。
論文 参考訳（メタデータ） (2026-08-07T16:55:57Z) - Wonder: Video World Model Done Better [70.28870858365214]
We present Wonder, a general-purpose video world model for real-time, camera-controllable world exploration。
画像や条件付きビデオが与えられたWonderは、ユーザがカメラを動かして対話的にナビゲートできるプレイ可能な世界を構築する。
本研究では、空間的に整列した動きと向きを与える高密度座標場を用いた新しいカメラコンディショニングを提案する。
論文 参考訳（メタデータ） (2026-07-28T17:45:25Z) - AlayaWorld: Interactive Long-Horizon World Modeling -- Full Technical Report [39.20781986625199]
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。
論文 参考訳（メタデータ） (2026-07-20T17:15:41Z) - EgoCS-400K: An Egocentric Gameplay Dataset for World Models [53.9389499966106]
EgoCS-400Kは,世界モデルのための大規模リプレイ・グラウンド型Egocentric Counter-Strikeデータセットである。
パブリックプロのCSとCS2のマッチデモから作られ、人間のゲームプレイの軌跡を保存している。
EgoCS-400Kには、1000以上の試合と4万回以上のラウンドから40万人以上の個人ビデオと1万時間のゲームプレイが含まれている。
論文 参考訳（メタデータ） (2026-06-16T17:13:58Z) - ActWorld: From Explorable to Interactive World Model via Action-Aware Memory [36.88820961480639]
本稿では,対話型世界モデルであるActWorldについて紹介する。
実験の結果、ActWorldは単一のモデル内でフレキシブルなナビゲーションとリッチなオブジェクトインタラクションの両方をサポートしています。
論文 参考訳（メタデータ） (2026-06-16T09:47:32Z) - WorldKV: Efficient World Memory with World Retrieval and Compression [56.57011243315561]
我々は、World RetrievalとWorld Compressionの2つのコンポーネントを備えた、トレーニング不要のフレームワークであるWorldKVを提案する。
Matrix-Game-2.0とLingBot-World-Fastでは、WorldKVはスループットの約2倍のフルKVメモリ忠実度に対応し、微調整なしでメモリトレーニングされたベースラインと競合する。
論文 参考訳（メタデータ） (2026-05-21T16:55:04Z) - WorldPlay: Towards Long-Term Geometric Consistency for Real-Time Interactive World Modeling [34.486078065308995]
WorldPlay(ワールドプレイ)は、リアルタイムでインタラクティブな世界モデリングと長期的幾何整合性を実現するストリーミングビデオ拡散モデルである。
ユーザのキーボードやマウスの入力に応答して,ロバストなアクション制御を可能にするために,デュアルアクション表現を使用する。
また,メモリ・アウェア・モデルのための新しい蒸留法であるContext Forcingを提案する。
論文 参考訳（メタデータ） (2025-12-16T17:22:46Z) - 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)
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。