SolarWM：面向长时域视频世界模型的开源数据与可扩展训练

我们推出SolarWM，一个完全开放的基础框架，用于构建交互式视频世界模型，涵盖从数据准备到长时程推理的全流程。在异构数据源和视频骨干网络上进行训练颇具挑战：数据集在时间尺度、相机几何、视觉质量、运动以及描述风格上各不相同，而视频生成器则采用不同的表示和架构。因此，朴素的数据混合和特定于模型的实现会产生不一致的监督信号，使结果难以复现和比较。SolarWM通过一个可重构的多源数据引擎和一个骨干网络原生适配框架来解决这种耦合问题。该引擎将来自10个数据集的143万个规范片段转换为统一的、帧对齐的契约，涵盖视觉观测、度量相机几何、描述、质量元数据、选择决策和来源信息，同时将源处理与混合构建解耦。在共享的相机条件、训练和推理接口下，我们基于Wan2.2、LTX-2.5和MiniMax-H3实例化了四个5B至33B规模的模型，同时保留其原生表示和目标函数。一个统一的三阶段方案结合了双向适配、教师强制自回归初始化和分布匹配蒸馏。由此产生的因果模型在仅经过5秒序列训练后，即可支持从数分钟到数小时时长的滚动推演中的实时交互。通过发布所得数据、流水线、方案、权重和框架，SolarWM为交互式世界模型研究提供了一个可复现且可扩展的基础。