Hunyuan World Model 1.5 - テンセントHunyuanのオープンソースリアルタイムインタラクティブワールド生成モデル

渾源世界モデル1.5とは何ですか？

HY WorldPlay 1.5は、Tencent Hunyuanチームが開発したオープンソースのリアルタイムインタラクティブワールド生成モデルです。ユーザーはテキストや画像を入力するだけで、モデルが独自の仮想世界を素早く生成し、キーボード、マウス、ゲームパッドを使って自由に探索できます。このモデルは、リアルタイムインタラクティブ生成、長距離3D一貫性、多様なインタラクティブ体験という3つのコア機能を誇ります。高解像度ビデオ出力と様々なシーンスタイルの生成をサポートしています。このモデルは、データ、トレーニング、推論、展開の全チェーンを網羅するリアルタイムワールドモデルフレームワークを初めてオープンソース化したものです。デュアルブランチアクション表現やコンテキストメモリ再構築などの技術革新により、AI生成コンテンツに新たなブレークスルーをもたらし、ゲーム開発、映画・テレビ制作、身体化知能研究など幅広い分野での応用を可能にしています。

渾源世界モデル1.5の主な機能

• リアルタイムのインタラクティブ生成最適化されたストリーミング推論技術により、このモデルは720Pの高解像度ビデオを毎秒24フレームでリアルタイムに生成できます。ユーザーはゲームのように仮想カメラを自由に操作し、AIが生成した世界をリアルタイムで探索できます。
• 長距離3D一貫性再構成メモリ機構を採用することで、このモデルはシーンの3D構造を「記憶」することができます。ユーザーが特定のエリアを離れて戻ってきても、シーンの一貫性は維持されます。分単位の幾何学的整合性生成をサポートし、高品質な3D空間シミュレーションに適しています。
• 多様なインタラクティブ体験一人称視点と三人称視点に対応し、ゲームシーンや現実世界のシーンを様々なスタイルで生成し、テキストトリガーイベント（爆発など）やビデオ継続機能に対応しており、多様なアプリケーションニーズを満たします。
• シーンのエクスポートと再構築ユーザーは生成された3Dシーンを再利用可能な3D点群としてエクスポートできるため、さらなる開発や応用が容易になります。

渾源世界モデルの技術的原理 1.5

• 2分岐アクション表現このシステムは、3Dカメラの姿勢推定と離散的な制御コマンドを統合することで、高精度な対話型制御を実現します。単一の制御方法と比較して、シーンスケールの不一致によって引き起こされる収束の遅さや制御ドリフトの問題を軽減しつつ、生成の一貫性と安定性を向上させます。
• 文脈記憶再構築メカニズム短期的な時間的文脈記憶と長期的な空間記憶を「時間的再構成」技術と組み合わせることで、記憶フレームの符号化が動的に調整され、過去のフレームの継続的な影響が強化され、滑らかな動きと幾何学的な一貫性が確保されます。
• コンテキスト強制蒸留戦略教師モデルと生徒モデルのメモリコンテキストを整合させることで、分布マッチング蒸留におけるパターン崩壊問題を解決し、リアルタイム性能とメモリ容量のバランスを取り、長系列生成におけるエラー蓄積を低減し、速度と生成品質のバランスを取ることができます。
• ワールドコンパス強化学習フレームワーク段階的な展開戦略ときめ細かな報酬関数を採用することで、動作制御の精度と視覚出力の品質を同時に向上させ、サンプリング効率を大幅に高め、トレーニングプロセスと推論プロセスの一貫性を実現できます。
• ストリーミング推論サービス待機、送信、推論を含むリンク全体の遅延を最適化し、DiTとVAEのハイブリッド並列処理、ストリーミング復号・送信、モデル量子化などの技術を採用しています。24フレーム/秒の長時間ストリーミング生成をサポートし、多様なシナリオに適しています。

渾源世界モデル1.5のプロジェクトアドレス

• プロジェクト公式サイト：https://3d-models.hunyuan.tencent.com/world/
• GitHubリポジトリ：https://github.com/Tencent-Hunyuan/HY-WorldPlay
• ハギングフェイスモデルライブラリ：https://huggingface.co/tencent/HY-WorldPlay
• 技術論文：https://3d-models.hunyuan.tencent.com/world/world1_5/HYWorld_1.5_Tech_Report.pdf

渾源世界モデルの応用シナリオ 1.5

• AIゲーム開発スマートレベルジェネレーターとして、プレイヤーのテキスト記述に基づいて探索可能なゲーム世界をリアルタイムで生成し、開発コストを削減するとともに、プレイヤー体験を向上させます。
• 映画およびテレビ制作クリエイターはテキストコマンドを使用してシーンデザインを迅速に生成および反復できるため、プリプロダクションを加速し、制作コストを削減できます。
• 仮想現実（VR）と拡張現実（AR）没入感のある仮想環境を生成し、ユーザーがVR/ARデバイスを使用してリアルタイムで探索や操作を行うことを可能にするため、教育、エンターテインメント、トレーニングなどの分野に適している。
• 身体化された知能研究これは、具現化されたインテリジェントエージェントのための仮想トレーニングプラットフォームを提供し、知覚、意思決定、および相互作用能力の研究を支援し、インテリジェントエージェントのパフォーマンスを向上させる。
• 建築設計と都市計画設計者の記述に基づいて建物や都市環境の3Dモデルを迅速に生成でき、リアルタイムでの修正や最適化をサポートすることで設計効率を向上させることができます。