注目★★★★★Hugging Face Papers
SolarWM、5秒学習から数時間のVideo World Modelへ
30秒で把握
- 1SolarWM が143万本の動画を統合し公開基盤を構築
- 2Wan2.2・LTX-2.5・MiniMax-H3で5B〜33Bの4モデルを提供
- 35秒学習から数分〜数時間のreal-time rolloutを実現
要約
SolarWM は、異種データの準備から長時間推論までを公開する、インタラクティブなVideo World Model向け基盤を発表した。10データセットの143万本のcanonical clipを、観測・metric camera geometry・caption・品質情報・選択結果・来歴を含むフレーム整列形式に統合する。Wan2.2、LTX-2.5、MiniMax-H3を基盤に、5B〜33Bの4モデルを各バックボーン固有の表現と目的関数を保ったまま構築した。双方向適応、teacher-forced autoregressive初期化、distribution matching distillationの3段階レシピにより、5秒シーケンスだけの学習から、数分〜数時間のreal-time rolloutを実現する。データ、パイプライン、レシピ、重み、フレームワークを公開し、再現可能な研究基盤にした。
あなたへの影響
Video World Modelを研究・開発するチームは、公開データ形式と4モデルの学習条件を次の検証候補として評価するとよい。
推奨：短い学習クリップから長時間rolloutを生成する構成のため、導入時は自社データのcamera geometryとprovenanceの整合性を確認すべきだ。