AlayaWorld：长视界可交互视频世界生成

游戏世界传统上通过劳动密集型的生产管线构建，导致开发成本高昂、定制困难，且部署后修改代价巨大。近期视频世界模型的进展提供了一种根本不同的范式：这些模型不再显式地编写虚拟环境的每个组件，而是基于当前世界状态和用户交互自回归地合成未来观测，从而能够在线生成可游玩的游戏世界。通过同时使用游戏录像和真实世界视频进行训练，它们可以捕捉多样的视觉外观和物理动态，为游戏之外的交互式应用（包括具身智能）开辟了新的机遇。本文提出 AlayaWorld，一个用于构建交互式生成世界的全栈开源框架。AlayaWorld 支持开放式的实时交互，允许用户自由导航并执行战斗、施法、召唤怪物等多种动作。该框架将完整开发流程——从数据准备、模型架构、模型训练、推理加速到部署——统一在模块化、可扩展的架构中。随框架一同发布的还有可复现的管线、参考实现、评估工具和全面文档，为生成式世界模型的未来研究与实时应用奠定了实践基础。