IXThinker·2026-07-23 23:50

視頻世界模型推理提速2.59倍 無需重訓

互動式視頻世界模型追求如遊戲般邊操作邊生成，但長軌跡交互令上下文、顯存與去噪成本急升。新研究提出純推理階段優化，不改參數亦毋須重訓，以相機軌跡作調度信號，配合三維稀疏注意力，推理最高提速2.59倍。

長交互的成本困局

視頻世界模型若要真正進入交互時代，須像遊戲引擎般依據前進、後退、轉向、回看等操作持續生成畫面，並在長時間探索中保持場景一致。然而生成鏈路越長，上下文膨脹、顯存壓力與多步去噪開銷越難壓制，成為實時交互的主要障礙。