WorldPlay：面向实时交互式世界建模的长期几何一致性
计算机视觉与模式识别
2025-12-17 v1 图形学
摘要
本文提出了WorldPlay，这是一种实现实时、交互式世界建模且保持长期几何一致性的流式视频扩散模型，解决了当前方法在速度与内存之间权衡的矛盾。WorldPlay得益于三个关键创新。1)我们采用双重动作表示，以实现对用户键盘和鼠标输入的稳健动作控制。2)为实现长期一致性，我们提出重构上下文记忆(Reconstituted Context Memory)，动态重建过去帧的上下文，并通过时间重构保持几何上重要但时间较久的帧可及，从而有效缓解记忆衰减。3)我们还提出了上下文强制(Context Forcing)，一种针对内存感知模型的新型蒸馏方法。通过在教师和学生之间对齐记忆上下文，可保留学生利用长程信息的能力，从而实现实时速度并防止误差漂移。总的来说，WorldPlay在保持卓越一致性的同时，可在720p分辨率下以24 FPS的速度生成长时程流式视频，优于现有技术，在多样化场景上表现出强大的泛化能力。项目页面和在线演示可在https://3d-models.hunyuan.tencent.com/world/和https://3d.hunyuan.tencent.com/sceneTo3D查看。
引用
@article{arxiv.2512.14614,
title = {WorldPlay: Towards Long-Term Geometric Consistency for Real-Time Interactive World Modeling},
author = {Wenqiang Sun and Haiyu Zhang and Haoyuan Wang and Junta Wu and Zehan Wang and Zhenwei Wang and Yunhong Wang and Jun Zhang and Tengfei Wang and Chunchao Guo},
journal= {arXiv preprint arXiv:2512.14614},
year = {2025}
}
备注
project page: https://3d-models.hunyuan.tencent.com/world/, demo: https://3d.hunyuan.tencent.com/sceneTo3D