AlayaWorld是一种面向交互式虚拟世界的长时程视频世界模型，基于15B视频扩散Transformer，支持文本、图像或视频输入，并以相机轨迹和可切换文本提示自回归生成540p或720p、24fps视频。论文通过持久帧、压缩历史、几何对齐空间记忆与近期帧条件缓解长期漂移，并用蒸馏将每个视频块的推理步数从约30步降至4步。
最近 24 小时暂无可用热度快照。