minWM：一个用于实时交互式视频世界模型的全栈开源框架

arXiv 2026 71.9 method, system

TLDR

minWM是一个开源框架，通过可控微调和蒸馏将视频扩散模型转化为实时交互式视频世界模型。

评分理由

The paper presents a comprehensive pipeline for converting video diffusion models into interactive world models, with modular design and support for multiple backbones. However, the abstract lacks explicit experimental results or real-world benchmarks, making it unclear how well the framework performs in practice.

Read-first 评分解释

综合优先阅读分 71.9，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 55。

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

引用影响力 18%

88.2

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。归一化引用分位：0.88161174

可复现性 18%

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：有；数据：无；命中信号：检查点、代码、GitHub

主题相关性 29%

78.6

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%

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：消融、指标、结果

引用速度 12%

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

基础论文前沿论文桥接论文方法锚点复现锚点

排序敏感性

稳定性：volatile；排名波动范围：391。

关键词评分

world model

interactive world model

video world model

generative world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

用于构建实时交互式视频世界模型的全栈开源框架
将双向T2V/TI2V视频基础模型转化为相机可控的少步自回归世界模型的端到端流水线
Causal Forcing / Causal Forcing++流水线，包括AR扩散训练、因果ODE或因果一致性蒸馏以及非对称DMD
在代表性开源骨干（Wan2.1-T2V-1.3B和HY1.5-TI2V-8B）上的模块化、架构可扩展实例化
支持将现有视频世界模型（如HY-WorldPlay）适配到新数据分布、训练配方和延迟目标

方法

minWM提供端到端流水线：首先对双向视频扩散模型进行相机控制微调，然后应用Causal Forcing/Causal Forcing++流水线（包括AR扩散训练、因果ODE或因果一致性蒸馏以及非对称DMD）将其蒸馏为少步自回归生成器以实现低延迟推演。该框架模块化且架构可扩展，已在Wan2.1-T2V-1.3B和HY1.5-TI2V-8B上实例化。

关键结果

论文提供了关于相机轨迹质量、可控性训练步数和最小批大小要求的实用消融实验，但摘要中未提及具体定量结果。

技术栈

PyTorchDiffusersWan2.1-T2V-1.3BHY1.5-TI2V-8BCausal ForcingCausal Forcing++AR diffusioncausal ODEcausal consistency distillationasymmetric DMDMMDiT

资源

论文代码