ABot-World：单张 RTX 5090 跑得动的无限实时交互世界

ABot-World 是一个开源的实时交互式世界模拟器，它能把你的键盘操作实时变成画面，让你在 AI 实时生成的三维环境里一直走下去。

大多数世界生成模型只能吐出几秒或几分钟的片段，时间一长就会崩坏或者画面卡死。ABot-World 主打的就是不设时长上限的连续探索，官方甚至放出了连续运行超过 1 小时以及长达 24 小时不间断生成的演示。

它能做到什么

传统的视频生成更像是播放固定片段，而 ABot-World 是根据你的实时动作指令来决定下一帧发生什么。你在里面控制角色移动，模型会实时渲染对应视角的环境变化，带来真正的互动感。

更聪明的是它的场景延展能力。在漫长的生成过程中，它不会被困在最初的房间或小巷里，而是通过一种叫 LongForcing 的训练机制，在保持前后逻辑连贯的同时不断想象出新场景和动态元素，全程不需要手动切换提示词。

目前模型生成的画面规格是 720p 分辨率，运行帧率为 16 FPS。从你按下按键到画面做出响应，端到端延迟大约在 1.2 秒左右。

怎么跑起来

这套系统最让人意外的地方，在于它不需要动用服务器集群。它只需要一张 32GB 显存的 NVIDIA RTX 5090 桌面显卡，在推理时占用大约 19GB 显存。

测试环境推荐 Ubuntu 22.04、CUDA 12.8 和 Python 3.12。代码库依赖 PyTorch 2.8、FlashAttention 以及 SageAttention 等加速内核。如果嫌手动编译环境繁琐，团队在 Docker Hub 和阿里云镜像仓库提供了预构建好的 Docker 镜像，拉取镜像后挂载权重就能直接跑。

开源力度非常彻底。不仅推理代码、因果学生模型 ABot-World-0-5B-LF 以及本地 Gradio 演示完全公开，项目还放出了带精准动作标注的 500 小时视频训练数据集和技术报告，整体遵循非常宽松的 Apache 2.0 协议，甚至允许商用。

想要本地跑的朋友可以去 GitHub 搜索 amap-cvlab/ABot-World，模型权重可以从 Hugging Face 或 ModelScope 下载。如果手里没有 RTX 5090，他们也提供了一个在线演示工具 ABot World Studio 供体验。

为什么重要

以往谈到实时生成交互世界，大家想到的都是几十上百张 A100 堆出来的云端怪兽，或者是几秒就穿帮的玩具。ABot-World 第一次证明了，消费级桌面显卡靠着因果蒸馏和工程优化，也能撑起一个低延迟、可无限游玩的世界模型。

我们认为，虽然 1.2 秒的延迟和 16 帧对于激烈动作游戏来说还略显迟钝，但在沙盒探索、具身智能机器人虚拟仿真训练上，这种单卡能跑的本地模拟器性价比极高。对于独立游戏开发者和仿真研究者来说，现在就很值得克隆一份跑跑看。