SolarWM：面向长时程视频世界模型的开源数据与可扩展训练

arXiv 2026 41.5 method, system

TLDR

SolarWM 提出开源数据引擎与骨干原生适配框架，支持跨异构数据集训练交互式视频世界模型，实现长时程实时推演。

评分理由

The paper's strengths include a fully open pipeline, large-scale multi-source data unification, and a unified training recipe across multiple video backbones. However, the abstract lacks quantitative evaluation results or comparisons, so claims about real-time interaction and long-horizon quality are not yet substantiated.

Read-first 评分解释

综合优先阅读分 41.5，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 51。

近期性 5%

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 25%

72.9

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 15%

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：数据集、指标、结果

可复现性 15%

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：数据集、复现

图谱声望 15%

5.7

基于可用 OpenAlex 引用关系构建局部引用图，并计算 PageRank 风格的图谱声望。局部 PageRank：0.0016

引用影响力 15%

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 10%

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

前沿论文方法锚点

排序敏感性

稳定性：volatile；排名波动范围：519。

关键词评分

video world model

world model

interactive world model

generative world model

world simulator

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

提出 SolarWM，一个完全开放的交互式视频世界模型基础框架，涵盖从数据准备到长时程推理。
提出可重构的多源数据引擎，将来自 10 个数据集的 143 万个规范片段转换为统一的帧对齐契约，并将源数据处理与混合构建解耦。
引入骨干网络原生适配框架，在 Wan2.2、LTX-2.5 和 MiniMax-H3 之间提供共享的相机条件、训练和推理接口。
开发统一的三阶段训练方案，结合双向适配、教师强制的自回归初始化和分布匹配蒸馏。
使仅用 5 秒序列训练的模型能够在数分钟到数小时的 rollout 上实现实时交互。
发布数据、流水线、方案、权重和框架，以支持可复现和可扩展的世界模型研究。

方法

SolarWM 使用可重构的多源数据引擎，将来自 10 个数据集的 143 万个片段转换为统一的帧对齐契约，涵盖视觉观测、度量相机几何、字幕、质量元数据、选择决策和来源信息。它在共享的相机条件、训练和推理接口下，基于 Wan2.2、LTX-2.5 和 MiniMax-H3 实例化了四个 5B–33B 模型，同时保留其原生表示和目标。三阶段方案结合了双向适配、教师强制的自回归初始化和分布匹配蒸馏，并使用 5 秒序列进行训练。

关键结果

由此产生的因果模型在仅用 5 秒序列训练后，即可在数分钟到数小时的 rollout 上实现实时交互。

资源

论文