⌁ Awesome World Model Hub 论文 · 数据集 · 项目
English GitHub
← 返回论文列表

AlayaWorld：交互式长时世界建模 —— 完整技术报告

arXiv 2026 41.8 method, system

TLDR

AlayaWorld：基于15B扩散Transformer与自回归蒸馏的交互式长时视频世界模型，实现24fps高效生成。

评分理由

The paper presents a strong architecture combining bounded visual context and distillation for long-horizon consistency, but the abstract lacks detailed comparison to existing methods and explicit real-world validation beyond a single benchmark.

Read-first 评分解释

综合优先阅读分 41.8，由主题、引用、图谱、方法、可复现性和近期性等信号加权得到。 原始总分保留为 56。

近期性 6%
100

使用温和的时间衰减，让近期论文更容易浮现，同时保留较早基础工作的价值。 年份：2026

主题相关性 29%
80

使用现有 LLM 关键词相关性评分，并归一化到 0-100。 关键词：world model、world simulator、generative world model、interactive world model、video world model、world dynamics prediction、model-based reinforcement learning world model

方法质量 18%
40

检查可见的摘要与分析字段，寻找实验、数据集、基线、指标和局限性等方法证据。 命中信号：无

可复现性 18%
30

检查链接和可见文本中的论文、代码、数据集、工件与仓库信号。 论文：有；代码：无；数据：无；命中信号：无

引用影响力 18%
0

使用 OpenAlex 形态的引用元数据作为文献关注度信号，并与论文本身质量分开处理。 引用数：0

引用速度 12%
0

引用速度按发表年限估算年均引用，降低旧论文天然占优的偏差。 年均引用：0.00

研究版图角色

前沿论文

排序敏感性

稳定性：volatile；排名波动范围：417。

关键词评分

world model
10
generative world model
10
interactive world model
10
video world model
10
world simulator
8
world dynamics prediction
7
model-based reinforcement learning world model
1

深度分析

创新点

  • 交互式长时视频世界模型，支持540p/720p分辨率下24fps生成
  • 在相机轨迹和可切换文本提示下自回归生成短潜在块
  • 有界视觉上下文：持久化sink帧、压缩时间历史、几何对齐空间记忆、最近帧条件
  • 使用来自模型自身roll-out的损坏历史和预测残差进行训练以减少长期漂移
  • 离散自回归蒸馏，结合分布匹配蒸馏、Self-forcing++和一致性蒸馏，将推理从每块约30步减少到4步

方法

AlayaWorld是一个15B的视频扩散Transformer，在相机轨迹、可切换文本提示以及由持久化sink帧、压缩时间历史、几何对齐空间记忆和最近帧组成的有界视觉上下文条件下，自回归地生成短潜在块。为了缓解漂移，模型使用来自自身roll-out的损坏历史和预测残差进行训练。离散自回归蒸馏公式在保持质量的同时减少了推理步数。

关键结果

在iWorld-Bench上，AlayaWorld在长时生成任务上取得了最佳性能。

资源

论文

标签