Zing-0.5：迈向支持实时联合动作与文本控制的可玩世界

arXiv 2026 40.2 method, application

TLDR

Zing-0.5 是5B自回归世界模型，支持实时键盘+文本联合控制，实现可玩世界生成。

评分理由

The paper introduces a strong interactive world model with novel joint action/text conditioning and efficient real-time streaming, backed by benchmark scores and released artifacts. However, the abstract provides limited detail on baselines, ablations, and generalization beyond navigation cases.

Read-first 评分解释

综合优先阅读分 40.2，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 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%

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 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：评估、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：代码

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

排序敏感性

稳定性：volatile；排名波动范围：561。

关键词评分

world model

generative world model

interactive world model

world simulator

video world model

world dynamics prediction

model-based reinforcement learning world model

深度分析

创新点

统一动作与文本条件化，将幅度感知的键盘输入与时间对齐的文本指令以及联合标注的视频相结合，在同一序列内学习导航和事件控制。
事件级监督的增量生成，使用在连接的多提示视频上训练的分段级教师模型，通过分布匹配蒸馏来监督块级因果学生模型。
低成本的实时交互，将四步生成与上下文保持流式传输相结合，以 24 FPS 支持 832 x 480 推理，估计成本约为每条流每分钟 0.009 美元。

方法

Zing-0.5 是一个 5B 自回归世界模型，以联合键盘和文本输入为条件进行可玩世界生成。它使用联合标注视频上的统一动作/文本条件化、从分段级教师模型到块级因果学生模型的事件级蒸馏，以及带上下文保持流式传输的四步生成。评估使用 158 个 WBench Navigation 用例，并计算总体得分与一致性得分。

关键结果

Zing-0.5 在 158 个 WBench Navigation 用例上达到 81.0 的总体得分和 88.5 的一致性得分。它还支持 832 x 480 分辨率下 24 FPS 的推理，估计服务器租赁成本约为每条流每分钟 0.009 美元；联合控制演示表明，在继续导航过程中无需重启生成即可实现文本引导的事件变化。

资源

论文