这个单图生成可交互游戏/视频的世界模型，据说能在 5090 上跑到 16 FPS，感觉初步具备单机可玩性了？但是说是用 wan 2.2 训练的，不知道它的世界模型推理是否足够可靠？🧐

DreamX-World：通用交互式世界模型，支持可控探索、长视频生成和世界事件编辑

DreamX-World 1.0 是一个文本/图像到视频的交互式世界模型。它做的不是普通视频生成，而是让用户或智能体在生成世界里用相机动作导航、回到之前看过的区域、触发 prompt 描述的事件，比如环境变化、多事件组合、第一/第三人称移动等。

它的几个关键点：

- 长时序生成：支持 autoregressive rollout，能生成上百帧甚至 1 分钟级视频，并专门处理长视频里常见的颜色、风格、身份漂移。
- World Memory：用几何引导的记忆检索，在相机重新看向旧区域时找回早期画面，维持场景布局、物体身份和局部外观。
- Promptable Events：除了前进、转向这类相机控制，还能用文字触发世界事件，支持单事件和组合事件。
- 训练数据混合：用了 Unreal Engine 数据、游戏录像、真实世界视频，并结合相机估计和数据过滤，让模型学到可交互的动态场景。
- 工程路线：基于 Wan2.2-5B-TI2V，论文里提到 E-PRoPE、causal forcing、DMD-style distillation、long-rollout training、RL alignment 等方法。公开了代码和 5B 权重。

我觉得它最值得看的地方，是把“视频生成”往“可训练、可回访、可干预的世界模拟”推了一步。它和 MiroWorld 这类方向有天然接口：如果世界模型能稳定记住场景、响应动作和事件，后面就不只是生成 demo，而是给 agent 做判断训练、干预演练和认知校准。

但别被演示带飞：论文摘要里写到最高 16 FPS on eight RTX 5090 GPUs。这说明它已经在接近实时交互，但离普通创作者随手用还有明显距离。现在更像研究平台和未来基础设施的预览，不是一个马上能全民上手的世界编辑器。

🔗 链接：http://t.cn/AXSmBJXU
🌐 官方项目页：http://t.cn/AXSmBJXG
💻 代码：http://t.cn/AXSmBJXq
🤗 模型：http://t.cn/AXSmBJXb
📄 论文：http://t.cn/AXSmBJXt
📹 Demo：http://t.cn/AXSmBJX4
#HOW I AI# #ai生活指南# #agent#