AlayaWorld：交互式长程世界建模完整技术报告

不同于依赖资产制作、动画、物理与编程等劳动密集型管线的传统电子游戏开发，视频世界模型能从用户输入即时生成交互环境，让我们能从文本、图像或视频创建可定制、可探索、持续演化的虚拟世界。实现这一愿景需要四项紧密耦合的能力：交互、持久的时空一致性、稳定的长程生成与高效响应。我们提出AlayaWorld，一个生成分辨率540p与720p、24帧每秒视频的交互式长程视频世界模型。AlayaWorld建立在150亿参数的视频扩散Transformer上，在相机轨迹与可切换文本提示下自回归地生成短潜块。其有界视觉上下文组合了持久锚定帧、压缩的时间历史、几何对齐的空间记忆与近期帧条件。为降低长期漂移，模型用以自身roll-out收集的损坏历史与预测残差训练。我们进一步引入离散自回归蒸馏公式，结合分布匹配蒸馏、self-forcing++与一致性蒸馏，把推理从约30个采样步压到每块四步。在iWorld-Bench上，AlayaWorld在长程生成上取得最佳表现。AlayaWorld定位为全栈、开源、长期项目，旨在为交互式视频世界模型的未来研究提供可扩展的基础。