論文の概要: Zing-0.5: Toward Playable Worlds with Real-Time Joint Action and Text Control
- arxiv url: http://arxiv.org/abs/2609.17909v1
- Date: Tue, 15 Sep 2026 23:05:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-20 08:55:53.569072
- Title: Zing-0.5: Toward Playable Worlds with Real-Time Joint Action and Text Control
- Title（参考訳）: Zing-0.5:リアルタイムジョイントアクションとテキスト制御によるプレイ可能な世界に向けて
- Abstract要約: Zing-0.5 (Zing-0.5) は、5Bのオートレグレッシブ・ワールド・モデルである。
ユーザは生成された世界を探索し、展開するイベントに影響を与え、ジョイントキーボードとオンラインテキストコントロールを通じて結果のフィードバックに応答することができる。
- 参考スコア（独自算出の注目度）: 23.96312609389348
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce Zing-0.5, a 5B autoregressive world model designed for playability: users can explore generated worlds, influence unfolding events, and respond to the resulting feedback through joint keyboard and online text control. Our approach brings together three technical contributions: (1) Unified action and text conditioning, combining magnitude-aware keyboard inputs with temporally aligned text instructions and jointly annotated videos to learn navigation and event control within the same sequence; (2) Event-scale supervision for incremental generation, using a segment-level teacher trained on connected multi-prompt videos to supervise a block-level causal student through distribution-matching distillation; and (3) Low-cost real-time interaction, combining four-step generation with context-preserving streaming to support 832 x 480 inference at 24 FPS at an estimated server rental cost of approximately USD 0.009 per stream-minute. Zing-0.5 achieves an overall score of 81.0 and a consistency score of 88.5 across 158 WBench Navigation cases. A joint-control demonstration shows a text-directed event change during continued navigation without restarting generation. We release the model weights, inference code, and Zing-SGLang serving implementation to support further work on playable generated worlds.
- Abstract（参考訳）: ユーザが生成した世界を探索し、展開イベントに影響を及ぼし、ジョイントキーボードとオンラインテキストコントロールによるフィードバックに応答することができる。
提案手法は,(1)行動とテキストのコンディショニング,等級を意識したキーボード入力と時間的に整列したテキストインストラクション,(2)ナビゲーションとイベントコントロールを同一シーケンス内で学習するための共同アノテーション付きビデオ,(2)相互接続型マルチプロンプトビデオで訓練されたセグメントレベルの教師を用いたインクリメンタル生成のためのイベントスケールインスペクション,(3)4ステップ生成とコンテキスト保存ストリーミングを組み合わせた低コストリアルタイムインタラクション,および832 x 480インジェクションを24FPSで,約1ストリーム分当たり約1USD 0.009のサーバレンタルコストで実現した。
Zing-0.5は総合スコア81.0、一貫性スコア88.5、WBenchナビゲーション158のケースで達成している。
共同制御デモでは、生成を再起動することなく、継続ナビゲーション中にテキスト指向のイベント変更を表示する。
モデルウェイト、推論コード、Zing-SGLangの実装を公開し、再生可能な生成世界におけるさらなる作業を支援する。
関連論文リスト
- Realtime-Venus: A full-duplex interaction system with asynchronous delegation [59.69745588222872]
音声対話のためのリアルタイム・リアルタイム・オムニ・オーディオ・インタラクションとリアルタイム・オーディオ・スポーケンを提示する。
それぞれのモデルは完全な会話として機能し、連続認識、会話制御、およびネイティブ音声生成を統合する。
論文 参考訳（メタデータ） (2026-09-12T08:56:50Z) - CogEvol: Towards Efficient and Reliable Learning Environment Generation [49.18054685846454]
本稿では,学習環境生成に特化して訓練されたモデル群であるCogEvolを紹介する。
CogEvolは、スライドを中央値17秒、対話ページを59秒で完了し、数分のマルチターンエージェントの足場を置き換える。
プロダクショングラウンドのデータパイプラインは、実際の障害を53,687個のSFTサンプルに変換する。
論文 参考訳（メタデータ） (2026-08-31T15:33:38Z) - ABot-World-0: Infinite Interactive World Rollout on a Single Desktop GPU [41.37131555577374]
ABot-World-0は、リアルタイムで長時間のクローズドループインタラクションのためのアクション条件付きビデオワールドモデルである。
WorldExplorerは、トレーニングフィードバックによってガイドされたエージェント駆動のコレクションを実行する。
統一パイプラインは、14の決定論的品質チェック、VLMベースのアセスメント、同期アクションとテキストアノテーションを適用している。
論文 参考訳（メタデータ） (2026-07-21T15:26:50Z) - Video = World + Event Stream [70.56197496608006]
Wan-Streamer v0.3は、ひとつの組織でネイティブインタラクションモデルを再構築します。
これにより、大量の実ビデオに対して、汎用的な事前学習タスクが得られる。
機能的には、モデルのマルチモーダル理解プロセスは視覚-アクション-様である。
論文 参考訳（メタデータ） (2026-07-16T14:19:42Z) - Wan-Streamer v0.1: End-to-end Real-time Interactive Foundation Models [68.51256516936338]
Wan-Streamerは、ローストリーミングインタラクションのためのエンドツーエンドのインタラクティブ基盤モデルである。
音声とビデオは、入力と出力の両方を単一のTransformerシーケンスでシームレスにモデル化する。
およそ200msのモデル側レスポンスレイテンシと、合計550msのインタラクションレイテンシを実現している。
論文 参考訳（メタデータ） (2026-06-23T18:01:03Z)
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。