ABot-World：単一のRTX 5090で動く無限インタラクティブ世界生成

ABot-Worldは、ユーザーの操作入力に応じてリアルタイムに仮想空間を生成し続けられるオープンソースの世界シミュレータです。受動的な動画を再生するのではなく、プレイヤーの操作によって視点や展開がインタラクティブに変化します。

既存の世界生成モデルは数秒から数分で破綻したり停止したりするものが大半ですが、ABot-Worldは制限時間のない無限生成に対応しています。公式のデモでは1時間以上、さらには24時間連続で破綻せずに世界を広げ続ける様子が公開されています。

できることと仕組み

このモデルはキー入力などのアクションを受け取り、それに合わせた映像をリアルタイムに推論します。ただ同じ場所をループするのではなく、LongForcingと呼ばれる学習手法により、プロンプトを途中で切り替えることなく新しい風景や動的な物体を次々と生み出します。

生成クオリティは解像度720p、フレームレート16FPSです。操作を入力してから画面に反映されるまでのレイテンシは約1.2秒に抑えられています。

動作環境と導入方法

最大の強みは、巨大なデータセンターではなく市販のデスクトップPC環境で動作する点です。NVIDIA RTX 5090を1枚用意すればローカルで稼働し、推論時のVRAM消費量は約19GBに収まります。

動作確認環境はUbuntu 22.04、CUDA 12.8、Python 3.12です。FlashAttentionやSageAttentionなどの高速化カーネルを使用しますが、環境構築の手間を省くためのDockerイメージも公式から提供されています。

公開範囲は極めてオープンで、Apache 2.0ライセンスのもとで推論コード、ABot-World-0-5B-LFモデルの重み、ローカル向けGradioデモ、技術レポート、さらに高精度なアクションラベル付きの500時間分の動画データセットまで配布されています。GitHubのamap-cvlab/ABot-Worldからコードを取得でき、Hugging FaceやModelScopeで重みをダウンロード可能です。実機がない場合はWeb版のABot World Studioでも試せます。

なぜ重要か

リアルタイムで対話可能な世界モデルといえば、これまでは大量のサーバー用GPUを並べて動かすのが常識でした。ABot-Worldは、適切な蒸留とカーネル最適化を行えば、単一のコンシューマ向けGPUでも無限に遊べる世界をシミュレートできることを証明しました。

1.2秒の遅延と16FPSはアクションゲーム用途にはまだ重いものの、具身知能（Embodied AI）のシミュレーション環境や探索型の実験プロジェクトにとっては、ローカルで完結する強力な選択肢になります。