news 2026/3/1 0:32:46

【腾讯拥抱开源】HY-World 1.5:具有实时延迟与几何一致性的交互式世界建模系统框架

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
【腾讯拥抱开源】HY-World 1.5:具有实时延迟与几何一致性的交互式世界建模系统框架

🎮 HY-World 1.5: 具有实时延迟与几何一致性的交互式世界建模系统框架

📖 简介

尽管HY-World 1.0能够生成沉浸式3D世界,但其依赖耗时的离线生成流程且缺乏实时交互能力。HY-World 1.5通过WorldPlay填补了这一空白——这是一个支持实时交互式世界建模的流式视频扩散模型,具备长期几何一致性,解决了现有方法在速度与内存之间的权衡难题。我们的模型依托四大核心设计实现突破:

  1. 双重动作表征:通过键盘鼠标输入实现鲁棒的动作控制;
  2. 重构上下文记忆:动态重组历史帧上下文,采用时序重构技术保留几何关键帧的可访问性,有效缓解记忆衰减;
  3. 世界罗盘:创新的强化学习后训练框架,直接提升长时序自回归视频模型的动作跟随性与视觉质量;
  4. 上下文强制蒸馏:专为记忆感知模型设计的新蒸馏方法,通过对齐师生模型的记忆上下文保留远程信息处理能力,在实现实时速度的同时避免误差漂移。

综合而言,HY-World 1.5能以24FPS生成具备卓越一致性的长时序流式视频,性能优于现有技术。该模型在多样化场景中展现出强大泛化能力,支持第一人称与第三人称视角,兼容写实与风格化环境,可应用于3D重建、可触发事件及无限世界扩展等多元场景。

  • 系统概览
    HY-World 1.5开源了实时世界模型的系统化训练框架,涵盖数据、训练、推理部署全流程。技术报告详细披露了模型预训练、中期训练、强化学习后训练及记忆感知蒸馏的具体实现,并介绍了一系列降低网络传输延迟与模型推理延迟的工程技术,最终为用户提供实时流式推理体验。

  • 推理流程

    给定一张图像或描述世界的文本提示,我们的模型执行下一片段(16个视频帧)预测任务,根据用户动作生成未来视频。对于每个片段的生成,我们会动态重组过去片段的上下文记忆,以确保长期的时间和几何一致性。

🔑 使用示例

我们开源了双向扩散模型和自回归扩散模型的推理代码。对于提示词改写,推荐使用Gemini或通过vLLM部署的模型。当前代码库仅支持兼容vLLM API的模型。如需使用Gemini,需自行实现接口调用。具体实现可参考HunyuanVideo-1.5项目。

推荐使用generate_custom_trajectory.py脚本生成自定义相机运动轨迹。

exportT2V_REWRITE_BASE_URL="<your_vllm_server_base_url>"exportT2V_REWRITE_MODEL_NAME="<your_model_name>"exportI2V_REWRITE_BASE_URL="<your_vllm_server_base_url>"exportI2V_REWRITE_MODEL_NAME="<your_model_name>"PROMPT='A paved pathway leads towards a stone arch bridge spanning a calm body of water. Lush green trees and foliage line the path and the far bank of the water. A traditional-style pavilion with a tiered, reddish-brown roof sits on the far shore. The water reflects the surrounding greenery and the sky. The scene is bathed in soft, natural light, creating a tranquil and serene atmosphere. The pathway is composed of large, rectangular stones, and the bridge is constructed of light gray stone. The overall composition emphasizes the peaceful and harmonious nature of the landscape.'IMAGE_PATH=./assets/img/test.png# Now we only provide the i2v model, so the path cannot be NoneSEED=1ASPECT_RATIO=16:9RESOLUTION=480p# Now we only provide the 480p modelOUTPUT_PATH=./outputs/MODEL_PATH=# Path to pretrained hunyuanvideo-1.5 modelAR_ACTION_MODEL_PATH=# Path to our HY-World 1.5 autoregressive checkpointsBI_ACTION_MODEL_PATH=# Path to our HY-World 1.5 bidirectional checkpointsAR_DISTILL_ACTION_MODEL_PATH=# Path to our HY-World 1.5 autoregressive distilled checkpointsPOSE_JSON_PATH=./assets/pose/test_forward_32_latents.json# Path to the customized camera trajectoryNUM_FRAMES=125# Configuration for faster inference# For AR inference, the maximum number recommended is 4. For bidirectional models, it can be set to 8.N_INFERENCE_GPU=4# Parallel inference GPU count.# Configuration for better qualityREWRITE=false# Enable prompt rewriting. Please ensure rewrite vLLM server is deployed and configured.ENABLE_SR=false# Enable super resolution. When the NUM_FRAMES == 121, you can set it to true# inference with bidirectional modeltorchrun --nproc_per_node=$N_INFERENCE_GPUgenerate.py\--prompt"$PROMPT"\--image_path$IMAGE_PATH\--resolution$RESOLUTION\--aspect_ratio$ASPECT_RATIO\--video_length$NUM_FRAMES\--seed$SEED\--rewrite$REWRITE\--sr$ENABLE_SR--save_pre_sr_video\--pose_json_path$POSE_JSON_PATH\--output_path$OUTPUT_PATH\--model_path$MODEL_PATH\--action_ckpt$BI_ACTION_MODEL_PATH\--few_stepfalse\--model_type'bi'# inference with autoregressive model#torchrun --nproc_per_node=$N_INFERENCE_GPU generate.py \# --prompt "$PROMPT" \# --image_path $IMAGE_PATH \# --resolution $RESOLUTION \# --aspect_ratio $ASPECT_RATIO \# --video_length $NUM_FRAMES \# --seed $SEED \# --rewrite $REWRITE \# --sr $ENABLE_SR --save_pre_sr_video \# --pose_json_path $POSE_JSON_PATH \# --output_path $OUTPUT_PATH \# --model_path $MODEL_PATH \# --action_ckpt $AR_ACTION_MODEL_PATH \# --few_step false \# --model_type 'ar'# inference with autoregressive distilled model#torchrun --nproc_per_node=$N_INFERENCE_GPU generate.py \# --prompt "$PROMPT" \# --image_path $IMAGE_PATH \# --resolution $RESOLUTION \# --aspect_ratio $ASPECT_RATIO \# --video_length $NUM_FRAMES \# --seed $SEED \# --rewrite $REWRITE \# --sr $ENABLE_SR --save_pre_sr_video \# --pose_json_path $POSE_JSON_PATH \# --output_path $OUTPUT_PATH \# --model_path $MODEL_PATH \# --action_ckpt $AR_DISTILL_ACTION_MODEL_PATH \# --few_step true \# --num_inference_steps 4 \# --model_type 'ar'

📊 评估结果

HY-World 1.5 在多项量化指标上超越现有方法,包括不同视频时长的重建指标和人工评估结果。

ModelReal-timeShort-termLong-term
PSNRSSIMLPIPSR d i s t R_{dist}RdistT d i s t T_{dist}TdistPSNRSSIMLPIPSR d i s t R_{dist}RdistT d i s t T_{dist}Tdist
CameraCtrl17.930.5690.2980.0370.34110.090.2410.5490.7331.117
SEVA19.840.5980.3130.0470.22310.510.3010.5170.7211.893
ViewCrafter19.910.6170.3270.0290.5439.320.2710.6611.5733.051
Gen3C21.680.6350.2780.0240.47715.370.4310.4830.3570.979
VMem19.970.5870.3160.0480.21912.770.3350.5420.7481.547
Matrix-Game-2.017.260.5050.3830.2870.8439.570.2050.6312.1252.742
GameCraft21.050.6390.3410.1510.61710.090.2870.6142.4973.291
Ours (w/o Context Forcing)21.270.6690.2610.0330.15716.270.4250.4950.6110.991
Ours (full)21.920.7020.2470.0310.12118.940.5850.3710.3320.797

🎬 更多示例

https://github.com/user-attachments/assets/6aac8ad7-3c64-4342-887f-53b7100452ed

https://github.com/user-attachments/assets/531bf0ad-1fca-4d76-bb65-84701368926d

https://github.com/user-attachments/assets/f165f409-5a74-4e19-a32c-fc98d92259e1

📚 引用

@article{hyworld2025, title={HY-World 1.5: A Systematic Framework for Interactive World Modeling with Real-Time Latency and Geometric Consistency}, author={Team HunyuanWorld}, journal={arXiv preprint}, year={2025} } @article{worldplay2025, title={WorldPlay: Towards Long-Term Geometric Consistency for Real-Time Interactive World Model}, 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}, year={2025}, journal={arXiv preprint} } @inproceedings{wang2025compass, title={WorldCompass: Reinforcement Learning for Long-Horizon World Models}, author={Zehan Wang and Tengfei Wang and Haiyu Zhang and Wenqiang Sun and Junta Wu and Haoyuan Wang and Zhenwei Wang and Hengshuang Zhao and Chunchao Guo and Zhou Zhao}, journal = {arXiv preprint}, year = 2025 }

🙏 致谢

我们要感谢 HunyuanWorld、HunyuanWorld-Mirror、HunyuanVideo 和 FastVideo 的杰出贡献。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/2/26 8:10:55

生物识别安全升级迫在眉睫,Open-AutoGLM适配你真的会吗?

第一章&#xff1a;生物识别安全升级的紧迫性随着数字身份验证需求的激增&#xff0c;传统密码机制已难以应对日益复杂的网络威胁。生物识别技术凭借其唯一性和便捷性&#xff0c;成为身份认证的重要手段。然而&#xff0c;指纹、面部识别等原始实现方式正面临伪造攻击、数据泄…

作者头像 李华
网站建设 2026/2/26 21:22:55

【Open-AutoGLM与5G融合突破】:实现毫秒级推理响应的4个关键技术点

第一章&#xff1a;Open-AutoGLM与5G融合的技术背景与演进趋势随着5G通信技术的全面部署&#xff0c;高带宽、低延迟和海量连接的网络能力为人工智能模型的边缘化部署提供了坚实基础。在此背景下&#xff0c;Open-AutoGLM作为新一代开源自动语言生成模型&#xff0c;正逐步从云…

作者头像 李华
网站建设 2026/2/26 23:36:24

如何高效进行文献查找:掌握文献怎么查的实用方法与技巧

一、wispaper 入口在这&#x1f449;https://www.wispaper.ai/ 追踪自己研究方向的前沿&#xff0c;其实是搞科研关键的技能之一 问题是&#xff0c;每天手动去检索新论文太麻烦&#xff01;看《Nature》《Science》这种综合期刊又太杂&#xff0c;想找对口内容很难&#xf…

作者头像 李华
网站建设 2026/2/24 5:56:29

基于YOLOv12的轴承缺陷识别检测系统(YOLOv12深度学习+YOLO数据集+UI界面+登录注册界面+Python项目源码+模型)

一、项目介绍 轴承作为机械设备中的关键部件&#xff0c;其健康状态直接影响设备的运行效率与安全性。传统轴承缺陷检测方法依赖人工检查&#xff0c;存在效率低、主观性强等问题。为此&#xff0c;本文提出了一种基于深度学习YOLOv12的轴承缺陷识别检测系统&#xff0c;能够高…

作者头像 李华