AlayaWorld：テキストから 24fps の対話型仮想世界を自動生成、長時間一貫性を実現

要約

Hugging Face が AlayaWorld を公開した。テキスト・画像・動画から対話的な仮想環境を即座に生成する 15B パラメータの動画拡散トランスフォーマーモデルで、540p・720p で 24fps の動画を出力する。カメラ軌跡とテキストプロンプトに基づいて潜在空間チャンク自動回帰生成し、永続的フレーム・圧縮時間履歴・幾何学的空間メモリ・直近フレーム条件付けを組み合わせた有界視覚コンテキストで長期ドリフトを制御する。