AIGCer的博客

解决的问题当前交互式视频生成模型（如世界模型）在生成长时间序列时，存在严重的稳定性不足与时间不一致性问题，表现为空间漂移和场景崩塌。即使在没有交互或静态场景下，模型也会因误差累积导致生成帧逐渐偏离初始状态，破坏时间一致性。提出的方案提出框架，其核心是动态帧淘汰机制。在滑动窗口生成过程中，动态评估并保留几何一致性的关键帧（尤其是早期较“干净”的帧），淘汰退化或冗余的中间帧，从而从源头抑制误差累积。应用的技术使用算法计算视角重叠度，以评估帧间几何一致性。采用KV-cache 窗口扩展。

Yume1.5：交互式世界生成模型的突破性进展 摘要： 本研究提出Yume1.5，一个创新的交互式世界生成模型，通过三大核心技术突破解决了动态世界生成的挑战：1）联合时空通道建模(TSCM)方法实现高效长视频生成，保持时间连贯性；2）结合Self-Forcing与TSCM的加速框架，显著提升推理速度；3）创新的双流文本编码方案，实现精细的文本控制。实验表明，模型在Yume-Bench基准测试中指令跟随能力达0.836，在A100 GPU上实现12FPS的540p分辨率生成，且长序列生成质量稳定。

Hunyuan-GameCraft-2提出了一种指令驱动的交互式游戏世界模型，通过集成文本、键盘和鼠标信号实现语义化交互控制。该模型采用14B参数的MoE架构，结合自回归蒸馏与随机化长视频微调技术，支持高效稳定的长时序视频生成。创新性地定义了交互式视频数据标准，并开发了自动化数据构建管道。实验表明，模型在InterBench基准上取得SOTA性能，能以16FPS实时生成高质量交互视频，显著提升了动作有效性(触发率0.96+)、因果连贯性和物理合理性。

香港大学与阿里达摩院联合推出PlayerOne模型，实现真实世界的第一人称动态模拟。该系统通过外置摄像头捕捉用户动作（如手势、头部转动），将其无缝融入由单张图像构建的虚拟场景，支持无限制交互与AAA级画质体验。关键技术包括：部件解耦的动作编码（区分头/手/躯干）、4D场景点云重建确保一致性，以及两阶段训练策略解决数据稀缺问题。相比现有方案，PlayerOne在动作对齐和场景交互方面表现更优，为沉浸式社交、虚拟探索等应用开辟新可能。