テキストで指示し、カメラも動かせる世界モデルを、単一のRTX 4090で動かす設計まで示した論文です🎮 Hy-Nomas: Towards Free-form Interactive World Generation Tencentのチームによる、8Bの自己回帰型動画ワールドモデルです。自由形式のテキスト、連続カメラ制御、マルチターンの記憶を1つのモデルで扱います。 注目ポイントは3つです。 🧠 アクション対応の因果アテンション 各セグメントのテキストを、後続からも見える記述と、元の時間窓に限定されるアクションに分けます。アクションの順序の誤りや、別のセグメントでの繰り返しを抑える狙いです。 ⚡ 4ステップ蒸留と軽量な推論 サンプリングを100から4関数評価に減らし、INT8やスパースアテンションを併用します。100秒の動画(1280×704、24FPS)がRTX 4090のピークメモリ20.53GiBで生成できます。 📊 テキスト制御で大きく優位 人手評価のプロンプト追従で、LingBot-World v2に対し75.0%勝ち、8.3%負けです。一方、空間記憶はGenie 3に及びません。 インタラクティブな世界生成の、設計と評価をまとめて見られる一本です。 #ワールドモデル# #動画生成#

尊哉の香港イベントの写真見て 一瞬ドキッとした。 あれ？尊哉とイベント行った？ 違う！AIか。 いや、イベントで会ったことある。 当時の藤宮にそっくり。