HY-World 1.5 (WorldPlay): ตัวเปลี่ยนเกมสำหรับโมเดลโลกแบบโต้ตอบแบบเรียลไทม์

การแสวงหา AI ที่สามารถสร้างและจำลองโลกที่สอดคล้องและมีการโต้ตอบได้แบบเรียลไทม์ได้ก้าวกระโดดไปข้างหน้าอย่างมาก เมื่อวันที่ 17 ธันวาคม 2025 ทีม Hunyuan ของ Tencent ได้เปิดตัวโอเพนซอร์ส HY-World 1.5 ซึ่งมีชื่อรหัสว่า WorldPlay นี่ไม่ใช่แค่การอัปเดตเพิ่มเติม แต่เป็นเฟรมเวิร์กที่ครอบคลุมซึ่งอ้างว่าสามารถแก้ไขข้อแลกเปลี่ยนพื้นฐานระหว่างความเร็ว หน่วยความจำ และความสอดคล้องในระยะยาวในการสร้างแบบจำลองโลก

กล่าวโดยสรุป WorldPlay ช่วยให้สามารถสร้างวิดีโอสตรีมมิ่งแบบโต้ตอบในแนวนอนยาวได้อย่างน่าทึ่งที่ 24 FPS ทั้งหมดนี้ในขณะที่ยังคงรักษาความสอดคล้องทางเรขาคณิตเมื่อเวลาผ่านไป มาเจาะลึกสิ่งที่ทำให้โมเดลนี้ปฏิวัติวงการ

ปัญหาหลัก: ความเร็ว vs. ความสอดคล้อง#

โมเดลโลกก่อนหน้านี้ รวมถึง HY-World 1.0 ของทีมเอง มักเผชิญกับข้อจำกัดที่สำคัญ พวกเขาสามารถสร้างโลก 3 มิติที่น่าประทับใจได้ แต่โดยทั่วไปแล้วผ่านกระบวนการออฟไลน์ที่ช้า การบรรลุการโต้ตอบแบบเรียลไทม์หมายถึงการเสียสละความสอดคล้องในระยะยาวของสภาพแวดล้อม วัตถุจะเปลี่ยนรูปร่าง พื้นผิวจะกะพริบ และรูปทรงเรขาคณิตจะเลื่อนไปตามกาลเวลา WorldPlay มีเป้าหมายที่จะทำลายข้อแลกเปลี่ยนนี้

สี่เสาหลักของสถาปัตยกรรม WorldPlay#

ความก้าวหน้าขับเคลื่อนโดยนวัตกรรมทางเทคนิคที่สำคัญสี่ประการ:

1. Dual Action Representation: นี่คือ "ตัวควบคุม" ของโมเดล มันแปลอินพุตของผู้ใช้ (เช่น การเคลื่อนไหวของแป้นพิมพ์และเมาส์) ให้เป็นพื้นที่การกระทำที่แข็งแกร่งและโมเดลเข้าใจได้ ซึ่งช่วยให้สามารถควบคุมมุมมองของโลกที่สร้างขึ้นได้อย่างแม่นยำและตอบสนองได้ดี

2. Reconstituted Context Memory: นี่คือหัวใจสำคัญของความสอดคล้องในระยะยาว เพื่อป้องกันไม่ให้โมเดล "ลืม" อดีต โมดูลนี้จะสร้างบริบทใหม่แบบไดนามิกจากส่วนวิดีโอที่สร้างขึ้นก่อนหน้านี้ มันใช้เทคนิคที่ชาญฉลาดที่เรียกว่า temporal reframing เพื่อให้เฟรมที่สำคัญทางเรขาคณิตจากอดีตที่ห่างไกลสามารถเข้าถึงได้ ซึ่งแก้ปัญหาการลดทอนหน่วยความจำได้อย่างมีประสิทธิภาพ

3. WorldCompass: เฟรมเวิร์กการฝึกอบรมหลัง RL แบบใหม่: หลังจากการฝึกอบรมเบื้องต้น โมเดลจะผ่านเฟสการเรียนรู้เสริมกำลัง (RL) ที่ออกแบบมาโดยเฉพาะสำหรับงานในแนวนอนยาว WorldCompass ปรับโมเดลให้เหมาะสมโดยตรงเพื่อการติดตามการกระทำที่ดีขึ้นและคุณภาพของภาพที่สูงขึ้นเมื่อเทียบกับลำดับที่ขยายออกไป ทำให้มั่นใจได้ว่าเอาต์พุตยังคงมีเสถียรภาพและสอดคล้องกัน

4. Context Forcing: Memory-Aware Distillation: เพื่อให้ได้ความเร็วแบบเรียลไทม์ โมเดล "นักเรียน" ที่เล็กลงและเร็วกว่ามักจะถูกกลั่นจากโมเดล "ครู" ที่ใหญ่กว่า อย่างไรก็ตาม การกลั่นแบบมาตรฐานอาจทำให้ผู้เรียนสูญเสียความสามารถในการใช้บริบทระยะยาว Context Forcing เป็นวิธีการกลั่นแบบใหม่ที่ปรับบริบทหน่วยความจำระหว่างครูและนักเรียนให้สอดคล้องกัน โดยรักษาความสามารถของผู้เรียนในการให้เหตุผลในระยะยาวในขณะที่เปิดใช้งานการสร้าง 24 FPS

คุณสมบัติและความสามารถหลัก#

• เรียลไทม์และโต้ตอบได้: สร้างสตรีมวิดีโอที่ 24 FPS ช่วยให้สามารถโต้ตอบสดตามอินพุตของผู้ใช้
• ความสอดคล้องทางเรขาคณิตในระยะยาว: รักษาความเสถียรและความสอดคล้องของโครงสร้างของโลกในช่วงขอบฟ้าการสร้างที่ยาวนาน
• แอปพลิเคชันที่หลากหลาย: รองรับมุมมองบุคคลที่หนึ่งและบุคคลที่สามในสภาพแวดล้อมจริงและสภาพแวดล้อมที่มีสไตล์ แอปพลิเคชันที่มีศักยภาพ ได้แก่ การสร้างใหม่ 3 มิติแบบโต้ตอบ เหตุการณ์ที่แจ้งได้ (เช่น "ทำให้ฝนตก") และการขยายโลกที่ไม่มีที่สิ้นสุด
• การเปิดตัวโอเพนซอร์สที่ครอบคลุม: ทีมงานได้เปิดตัวโอเพนซอร์สไม่เพียงแต่น้ำหนักของโมเดลเท่านั้น แต่ยังรวมถึงเฟรมเวิร์กแบบเต็มสแต็กที่ครอบคลุมข้อมูล การฝึกอบรม และการปรับใช้การอนุมาน

ความเหนือกว่าเชิงปริมาณ#

ประสิทธิภาพของโมเดลได้รับการสนับสนุนโดยการประเมินอย่างกว้างขวาง ดังที่แสดงในตารางด้านล่าง โมเดล WorldPlay แบบเต็ม ("Ours (full)") มีประสิทธิภาพเหนือกว่าวิธีการที่ล้ำสมัยที่มีอยู่ในการวัดผลที่สำคัญ เช่น PSNR, SSIM และ LPIPS โดยเฉพาะอย่างยิ่งในสถานการณ์ระยะยาว ในขณะที่เป็นเพียงวิธีเดียวที่ทำงานในแบบเรียลไทม์

โมเดล	เรียลไทม์	PSNR/SSIM/LPIPS ระยะสั้น	PSNR/SSIM/LPIPS ระยะยาว
CameraCtrl	❌	17.93 / 0.569 / 0.298	10.09 / 0.241 / 0.549
Gen3C	❌	21.68 / 0.635 / 0.278	15.37 / 0.431 / 0.483
Matrix-Game-2.0	✅	17.26 / 0.505 / 0.383	9.57 / 0.205 / 0.631
Ours (full)	✅	21.92 / 0.702 / 0.247	18.94 / 0.585 / 0.371

เริ่มต้นใช้งาน WorldPlay#

สำหรับนักพัฒนาที่กระตือรือร้นที่จะทดลองใช้ ที่เก็บมีเส้นทางที่ชัดเจนในการเริ่มต้นอย่างรวดเร็ว โมเดลนี้สร้างขึ้นบนโมเดลพื้นฐาน HunyuanVideo-1.5 ที่ทรงพลัง การตั้งค่าเกี่ยวข้องกับ:

1. การสร้างสภาพแวดล้อม Python 3.10 และการติดตั้ง dependencies
2. การติดตั้ง Flash Attention เพื่อประสิทธิภาพที่ดีที่สุด
3. การดาวน์โหลดโมเดล HunyuanVideo-1.5 ที่ฝึกอบรมไว้ล่วงหน้าและจุดตรวจสอบ WorldPlay เฉพาะ
4. การรันสคริปต์การอนุมานที่ให้มา (generate.py หรือ generate_custom_trajectory.py สำหรับเส้นทางกล้องที่กำหนดเอง)

โค้ดรองรับการอนุมานด้วยตัวแปรโมเดลที่แตกต่างกัน: แบบสองทิศทาง แบบ autoregressive และโมเดล autoregressive ที่กลั่นแล้วเพื่อความเร็วสูงสุด

บทสรุปและงานในอนาคต#

HY-World 1.5 (WorldPlay) แสดงถึงเหตุการณ์สำคัญในการสร้างเนื้อหาและการจำลองที่ขับเคลื่อนด้วย AI ด้วยการจัดการกับปัญหาคอขวดของความเร็วและความสอดคล้องอย่างเป็นระบบ ทำให้เกิดความเป็นไปได้ใหม่ๆ สำหรับแอปพลิเคชันแบบเรียลไทม์และแบบโต้ตอบในเกม ความเป็นจริงเสมือน และการสร้างภาพสถาปัตยกรรม

ทีมงานได้ระบุว่า โค้ดการฝึกอบรม ยังอยู่ในรายการสิ่งที่ต้องทำสำหรับการเปิดตัวโอเพนซอร์ส ซึ่งจะเป็นขั้นตอนต่อไปที่สำคัญสำหรับชุมชนวิจัยในการสร้างต่อยอดจากงานนี้ สำหรับตอนนี้ การเปิดตัวโมเดลและโค้ดการอนุมานเป็นการมีส่วนร่วมครั้งใหญ่ที่ช่วยให้ทุกคนได้สัมผัสและเปรียบเทียบเกณฑ์มาตรฐานโมเดลโลกแบบโต้ตอบที่ล้ำสมัยนี้

เรียนรู้เพิ่มเติม:

• ที่เก็บ GitHub: https://github.com/Tencent-Hunyuan/HY-WorldPlay
• รายงานทางเทคนิคและเอกสาร: ตรวจสอบที่เก็บสำหรับลิงก์ไปยังรายงานทางเทคนิคโดยละเอียดและเอกสารวิจัย