ABot-World-0：在单张桌面 GPU 上持续生成交互世界

我们提出了 ABot-World-0，一种用于实时、长视野闭环交互的动作条件视频世界模型，由涵盖 AAA 游戏、模拟引擎和互联网视频的多源数据基础设施支持，以学习可控的世界动态。 WorldExplorer 在训练反馈的指导下执行代理驱动的收集，同时统一的管道应用 14 项确定性质量检查、基于 VLM 的评估以及同步操作和文本注释。我们通过教师强制和 ODE 蒸馏 逐步将双向动作条件教师提炼为因果学生，并引入 LongForcing 将长期学生自主生成轨迹与扩展范围教师对齐，从而减轻累积的分布偏移和自回归漂移。原始键盘操作为场景漫游和第三人称角色交互提供了统一的控制界面，而参考角色记忆则为第三人称视频生成期间的身份一致性提供了持久的外观线索。为了部署，我们共同设计了一个带有轻量级 VAE 解码器、高效注意力、内存感知调度和低位 DiT 推理的流推理堆栈。通过优化的低位配置，ABot-World-0 在单个 NVIDIA RTX 5090 桌面 GPU 上以高达 16 FPS 的速度传输 720P 视频，具有 1.2 秒的动作到第一帧延迟和大约 19GiB 峰值 VRAM。 WorldRoamBench 和扩展交互式部署的实验证明了竞争可控性和连贯的长期世界演化。