長時間の対話型世界モデル「SolarWM」公開、1時間以上の連続生成に対応

SolarWMは、通常の動画生成モデルをリアルタイムに対話操作できる仮想世界へと変換するオープンソースフレームワークです。最大の特長は、生成された空間を破綻させることなく1時間以上探索し続けられる点にあります。

何ができるのか

これまでの対話型世界モデルは、数分操作すると誤差が蓄積し、構造やテクスチャが急激に崩壊してしまうという課題を抱えていました。

SolarWMはこの長時間の安定性問題を克服しています。ユーザーの操作入力をリアルタイムに反映しながら、数十分から1時間以上にわたって一貫した世界を保ち続けます。

特定のモデルに依存しない点も実用的です。単一の統合フレームワークで複数の動画生成モデルに対応しており、SolarWM-Wan-5B、SolarWM-Wan-14B、SolarWM-LTX-2.5、Minimax H3といった異なるアーキテクチャや規模のモデルで動作します。

軽量化も進められており、SolarWM-Wan-5Bの因果スチューデントモデルではわずか4ステップの推論でリアルタイム生成を可能にしています。

仕組みと完全公開されたデータセット

驚くべきことに、この長時間生成は長尺動画で学習したわけではありません。モデルの訓練に使われたのは、わずか5秒間の短い動画クリップだけです。

また、重みだけでなく研究基盤全体がオープンにされています。チームは143万本の動画クリップ、合計25TBに及ぶ巨大なデータセットを完全公開しました。

データ本体に加えて、スケールが一貫したカメラ軌道アノテーション、精密なフィルタリング処理、複数の学習レシピも提供されています。

現在、公式プロジェクトページからデータセットのダウンロードや各モデルのチェックポイントの取得が可能です。

なぜ重要か

ゲーム開発のプロトタイプ作成や、ロボティクス向けシミュレータを研究するチームにとって、即座に検証可能な強力なツールとなります。25TBもの高品質なカメラパラメータ付きデータセットだけでも、自前で準備する莫大なコストを肩代わりしてくれます。

わずか5秒のクリップから1時間の整合性を生み出せることを実証した点も、世界モデル研究の計算コストを大幅に下げる転換点と言えます。

ただし、25TBのデータパイプラインを扱うには相応のストレージとインフラが必要であり、大規模なベースモデルをローカルで動かす敷居は依然として低くありません。