Το Amap της Alibaba Τρέχει Ένα Παγκόσμιο Μοντέλο για 24 Ώρες σε Ένα GPU

Το Amap, η πλατφόρμα τοποθεσίας της Alibaba, λέει ότι το διαδραστικό μοντέλο του ABot-World-0 διατηρεί μια συνεχόμενη συνεδρία για όσο διάστημα 24 ώρες σε μια κατανάλωση γραφικών καρτών, και έχει δημοσιεύσει ολόκληρη τη διαδρομή ως ένα αναζητήσιμο αρχείο αντί για ένα highlight reel. Η σελίδα επιτρέπει σε οποιονδήποτε να μεταβεί σε οποιοδήποτε δευτερόλεπτο της ημερήσιας διαδρομής, με σταθερές σημειακές εισόδους στις έξι, δώδεκα και δεκαοκτώ ωρών σημεία, μαζί με πέντε ακόμη πλήρεις διαδρομές μέσω λειμώνων, ερήμων, πόλεων και χιονοπεδίων.

Το νούμερο αξίζει κάτι λόγω του ορίου που διασχίζει. Ένα διαδραστικό παγκόσμιο μοντέλο παράγει βίντεο πλαισίου προς πλαισίου σε απάντηση στο τι κάνει ο χρήστης, έτσι κάθε νέο τμήμα προϋποθέτει πλαισιά που το μοντέλο selbst παρήγαγε λίγα δευτερόλεπτα πριν. Μικρά λάθη τροφοδοτούν προς τα εμπρός, και η σκηνή τελικά υποβαθμίζεται. Το Amap λέει ότι τα περισσότερα συστήματα σε αυτήν την κατηγορία διατηρούνται για 30 δευτερόλεπτα έως ένα λεπτό. Η δική του ανακοίνωση της 16ης Ιουλίου 2026 του μοντέλου έβαλε τον αριθμό σε πάνω από μια ώρα.

Πώς το LongForcing διατηρεί τη διαδρομή σταθερή

Η μέθοδος που το Amap πιστώνει ονομάζεται LongForcing, περιγραφεί στην τεχνική αναφορά που δημοσίευσε η ομάδα στις 21 Ιουλίου 2026. Ο συνήθης τρόπος κατασκευής ενός τέτοιου μοντέλου είναι η απόσταξη: ένα πιο αργό, αμφίδρομο μοντέλο-δάσκαλος, που μπορεί να εξετάζει ολόκληρο το βίντεο ταυτόχρονα, εκπαιδεύει ένα ταχύτερο αιτιακό μοντέλο-μαθητή, το οποίο βλέπει μόνο το παρελθόν, όπως απαιτεί η αλληλεπίδραση σε πραγματικό χρόνο. Η επίβλεψη αυτή συνήθως καλύπτει σύντομα βίντεο, οπότε ο μαθητής μαθαίνει να παράγει πειστικό αποτέλεσμα για λίγα δευτερόλεπτα και στη συνέχεια αυτοσχεδιάζει.

Το LongForcing επεκτείνει την επίβλεψη εκεί όπου εμφανίζονται οι αστοχίες. Ο μαθητής παράγει μόνος του μια μακρά ακολουθία, και ένας δάσκαλος με μεγαλύτερο χρονικό πλαίσιο εποπτεύει τα μεταγενέστερα τμήματά της, όπου τα σφάλματα πρόβλεψης είχαν περισσότερο χρόνο να συσσωρευτούν. Η έκθεση το περιγράφει ως διόρθωση της συσσωρευμένης μετατόπισης κατανομής και της αυτοπαλινδρομικής απόκλισης, όχι ως μηχανισμό μνήμης. Το μοντέλο δεν καλείται να θυμάται με μεγαλύτερη ακρίβεια προηγούμενα καρέ· καθώς προχωρά, επαναφέρεται προς μια σταθερή κατανομή του κόσμου που παράγει.

Το Amap λέει ότι αυτό εμφανίζεται στη συμπεριφορά: το μοντέλο διατηρεί την επέκταση του περιβάλλοντος με νέες σκηνές κατά τη διάρκεια μιας διαδρομής αντί να κλειδώνει στο ένα που ξεκίνησε, και το κάνει χωρίς τον χρήστη να τροφοδοτεί φρέσκα προτροπές κατά τη διαδρομή.

Τι καλύπτουν οι αναφερόμενες σφραγίδες

Τα όρια των επιδόσεων προκύπτουν από μετρήσεις της ίδιας της ομάδας. Σε βελτιστοποιημένες διαμορφώσεις χαμηλής ακρίβειας bit, η έκθεση αναφέρει έξοδο 720p και έως 16 καρέ ανά δευτερόλεπτο για το ABot-World-0 σε μία επιτραπέζια Nvidia RTX 5090, καθυστέρηση 1,2 δευτερολέπτων από μια ενέργεια εισόδου έως το πρώτο καρέ που την αποτυπώνει και μέγιστη χρήση μνήμης γραφικών περίπου 19 GiB. Ο έλεγχος γίνεται με άμεση είσοδο από το πληκτρολόγιο, τόσο για την περιήγηση στη σκηνή όσο και για την κίνηση χαρακτήρα σε τρίτο πρόσωπο. Μια μνήμη χαρακτήρα αναφοράς διατηρεί σταθερή την εμφάνισή του σε συνεδρίες μεγάλης διάρκειας.

Για αξιολόγηση, η αναφορά αναφέρει αποτελέσματα στο WorldRoamBench suite μαζί με επεκταμένες διαδραστικές διαδρομές, περιγράφοντας το αποτέλεσμα ως ανταγωνιστική ελέγχου και συνεπή μακροχρόνια εξέλιξη του κόσμου. Αυτό που προστίθεται η δημοσιευμένη 24ωρη εγγραφή είναι η επιθεωρήσιμότητα: ολόκληρη η χρονοσειρά είναι εκεί για να αναζητηθεί δευτερόλεπτο προς δευτερόλεπτο, αντί να συμπιεστεί σε einen πίνακα.

Η αναφορά drew προσοχή όταν έφτασε. Η σελίδα εγγράφου της Hugging Face το κατέταξε ως το κορυφαίο έγγραφο της ημέρας για τις 22 Ιουλίου 2026, και έχει συλλέξει περισσότερα από 300 upvotes εκεί.

Τι λαμβάνουν οι développers

Η πρακτική μετατόπιση είναι η υλική. Η διαδραστική γεννήτρια μακροχρόνιας ορίζοντας έχει ήταν μια εργασία κέντρου δεδομένων, και το Amap επιχειρεί ότι μια κάρτα γραφικών desktop καλύπτει τώρα, μειώνοντας το κόστος εισόδου για développers, στούντιο και ερευνητικές ομάδες που εργάζονται χωρίς προϋπολογισμό cluster. Αυτό έχει σημασία περισσότερο για την ενσωματωμένη AI, όπου οι πολιτικές πρέπει να ασκηθούν ενάντια σε ποικίλους περιβάλλοντα πριν συναντήσουν πραγματική υλική, μια περιοχή που τραβεί σταθερή εργασία από Google’s Gemini Robotics ER 2 στο mimic robotics’ video-action models στο εργοστάσιο της Audi.

Όλα βρίσκονται υπό eine άδεια Apache 2.0 στο αποθετήριο στο GitHub, το οποίο φέρει τον κώδικα εύρεσης, μια τοπική demo και δείκτες προς το εκδοθέν σημείο στο Hugging Face και ModelScope. Αυτό βάζει το ABot-World-0 με την ευρύτερη σειρά ανοιχτών βαρών που φτάνουν τους développers φέτος, μεταξύ τους Thinking Machines Lab’s Inkling.

Μαζί με την 24ωρη εγγραφή, η ομάδα δημοσίευσε τα 데이터 εκπαίδευσης: 30.969 επεισόδια βίντεο που προϋποθέτουν δράση, που αθροίζουν 2,74 TB, το καθένα από τα οποία περιλαμβάνει ένα MP4 με τις ενέργειες πληκτρολογίου που το παρήγαγαν, υπότιτλους και μια σπάνια ανακατασκευή της σκηνής. Η δημοσίευση του σώματος επιτρέπει στους εξωτερικούς ερευνητές να εκπαιδεύσουν ενάντια στο ίδιο υλικό και να δοκιμάσουν αν το LongForcing διατηρείται στα χέρια τους, και το δρόμο του έργου βάζει το διπλό μοντέλο δασκάλου στην επόμενη πόρτα.