世界模型 AI

SolarWM 是一个开放框架，用于训练视频世界模型，支持长视野、摄像机控制的交互。它将大型视频数据管道与训练和推理方法相结合，帮助研究人员构建在训练剪辑持续时间之外保持响应速度和视觉连贯性的环境。

该项目发布了一个包含 143 万个剪辑、25TB 的语料库，带有摄像机注释和过滤工具。通用框架支持 Wan、LTX 和 MiniMa

Atlas 是 World Labs 的全方位世界模型，用于创建、重建和模拟空间环境。它结合了文本、图像、视频和 3D 上下文来生成视图和世界表征，支持创意场景开发以及对物理环境和体现智能的研究。

该模型是一个从头开始预训练的多模态自回归扩散 Transformer。输入被组织到一个共享的空间环境中，该环境以 3D 位置的观察为基

Wonder 是一个用于图像和视频条件世界生成的交互式视频世界模型。它能够构建持久环境，用户可通过相机移动进行导航，同时逐步显现未见区域，并以一致的视觉记忆返回先前视角。

该系统结合了稠密控制信号、全保真记忆机制、对历史的稀疏注意力以及校正蒸馏训练策略。其设计目标是在真实、卡通和类游戏世界中保持几何结构、外观、动态以及交互控制的一

Open-Dreamer 是 Next State 推出的一个开放项目，聚焦如何训练前沿级世界模型。它以实战视角介绍模型设计、训练经验、失败案例、修复方法，以及一个运行在 Reactor 上的可玩实时演示。

该系统覆盖因果视频 tokenizer、动作条件潜动态模型、数据集准备、训练工作流、token 化、rollout 和评测。

PhiZero 是一个围绕物理语言构建的研究型世界模型。物理语言是一种从自然视频中学习到的、对世界状态转移进行紧凑离散表示的方法。它将物理推理与视频渲染分离，使系统能够先推理场景如何演化，再生成视觉输出。

该方法使用物理语言 tokenizer 和物理语言推理器，把视觉经验转换为可复用的转移 token。这使模型能够描述富含运动的

AnchorWorld 是一个具身第一人称世界模拟框架，支持基于视图的演化定制。它利用人体动作控制和与姿态关联的锚点视图，让智能体或玩家能够以第一人称视角探索定制化世界。

每个锚点视图都提供 RGB 图像、用于空间定位的 3D 姿态，以及说明场景应如何变化的演化提示。该方法结合了混合视角的人体动作控制、可演化的锚点视图定制和渐进式

SCOPE 是一个可玩的 FPS 世界模型，旨在模拟跨游戏操作和密集的第一人称射击游戏控制信号。它的重点是通过将特定于任务的模型设计与研究人员、开发人员或生产团队可以使用的输出相结合，使该工作流程更加实用。 SCOPE 不是提供通用演示，而是针对具体的能力差距，并为用户提供一种更可控的方式来处理复杂的人工智能生成或人工智能分析的内容。

Inspatio World 是一个实时交互式 4D 世界模型，可将参考视频转变为动态可探索环境。它专为那些想要超越被动视频播放并与场景进行交互的用户而设计，就好像它是一个可导航的世界一样。该系统与世界模拟、沉浸式媒体、机器人评估和人工智能生成的环境相关。

该产品使用参考视频驱动的世界建模方法，其中输入视频充当场景动态、外观和空间

Waypoint 1.5 是 Overworld 的实时 AI 世界模型，旨在将交互式生成的世界带入日常 GPU。它专注于通过减少通常与高端生成环境相关的硬件障碍，使世界模拟变得更容易。该产品面向那些想要实时世界而不依赖昂贵的工作站规模推理的创作者、开发者和研究人员。

该系统围绕实时世界生成和运行时效率进行了优化，使用模型和渲染改

WorldAgents 询问基础图像模型是否可以充当构建 3D 世界模型的代理。该项目使用多代理架构从 2D 基础模型合成 3D 一致的世界，将问题描述为协调的管道而不是单个整体生成器。这使其成为视觉模型和空间推理交叉研究的有用参考。

该系统围绕导向器、生成器和验证器进行组织，每个负责创建和过滤过程的不同部分。此设计有助于模型生成

Marble 是 World Labs 开发的首个商用生成式世界模型，该公司由人工智能先驱李飞飞领导。它专注于使用文本提示、图像、视频和 3D 布局图等各种输入方法生成可编辑且持久的 3D 环境。该产品提供高保真度的空间一致性，并支持对生成的世界进行无缝探索，使其适用于游戏开发、电影视觉效果、虚拟现实和机器人模拟等应用。Marble 的独特之处在于它允