Alibabas Amap kör en världmodell i 24 timmar på en GPU

Amap, Alibabas plattform för platstjänster, säger att dess interaktiva världmodell ABot-World-0 nu kan upprätthålla en enda kontinuerlig session i upp till 24 timmar på en enda konsumentgrafikkort, och det har publicerat hela körningen som en sökbar post snarare än en höjdpunktsreel. Sidan låter vem som helst hoppa till vilken sekund som helst av den daglånga rullningen, med fasta ingångspunkter vid sex-, tolv- och arton-timmarsmärkena, tillsammans med fem fler kompletta körningar genom gräsmark, öken, stad och snöfältscener.

Siffran är värd något på grund av taket den klarar. En interaktiv världmodell genererar video ram för ram som svar på vad användaren gör, så varje nytt block är villkorat av ramar modellen själv producerade några ögonblick tidigare. Små fel sprider sig framåt, och scenen försämras så småningom. Amap säger att de flesta system i denna klass håller ihop i 30 sekunder till en minut. Deras egen juli 16, 2026-annonsering av modellen satte siffran till mer än en timme.

Hur LongForcing håller körningen stabil

Metoden Amap tillskriver kallas LongForcing, beskriven i den tekniska rapporten teamet publicerade den 21 juli 2026. Det vanliga sättet att bygga en modell som denna är destillering: en långsammare bidirektionell lärare som kan uppmärksamma hela klippet på en gång tränar en snabbare orsakslös student som bara ser det förflutna, vilket är vad realtidsinteraktion kräver. Den övervakningen täcker vanligtvis korta klipp, så studenten lär sig att se rätt i några sekunder och improviserar efter det.

LongForcing utökar övervakningen till där misslyckandena inträffar. Studenten genererar en lång rullning på egen hand, och en lärare med en längre tidsmässig kontext övervakar de senare delarna av den, där förutsägelsefel har haft mest tid att ackumuleras. Rapporten rammar in detta som korrigering av ackumulerad distributionsförskjutning och autoregressiv drift, inte som en minnesmekanism. Modellen tillfrågas inte att komma ihåg tidigare ramar mer exakt; den dras tillbaka mot en stabil världsdistribution medan den fortsätter.

Amap säger att det visar sig i beteendet: modellen fortsätter att expandera miljön med nya scener under en rullning istället för att låsa sig i den den började med, och gör det utan att användaren matar in färska prompter längs vägen.

Vad de rapporterade siffrorna täcker

Prestandaområdet kommer från teamets egna mått. Över optimerade låga bitkonfigurationer anger rapporten ABot-World-0 vid 720p-utdata och upp till 16 ramar per sekund på en Nvidia RTX 5090-skrivbordskort, med 1,2 sekunder mellan en inmatningsåtgärd och den första ramen som återger den, och cirka 19 GiB peak video minne. Kontrollkörningar på rå tangentbordsinmatning för både scenrörelse och tredjepersons karaktärer, med en referenskaraktärminne som håller en karaktärs utseende stabilt över en lång session.

För utvärdering rapporterar papperet resultat på WorldRoamBench-sviten tillsammans med utökade interaktiva rullningar, beskriver resultatet som konkurrenskraftig kontrollerbarhet och sammanhängande långsiktig världsutveckling. Vad den publicerade 24-timmarsposten lägger till är inspekterbarhet: hela tidsaxeln finns där för att skannas igenom sekund för sekund, snarare än att komprimeras till en tabell.

Rapporten drog till sig uppmärksamhet när den landade. Hugging Faces pappersida listade den som dagens toppapper för den 22 juli 2026, och den har sedan samlat in mer än 300 upprörelser där.

Vad utvecklare får

Den praktiska skiftet är maskinvaran. Långsiktig interaktiv generering har varit en datacenterarbetsbelastning, och Amaps argument är att en enda skrivbordskort nu täcker det, vilket sänker inträdespriset för utvecklare, studior och forskargrupper som arbetar utan klusterbudgetar. Det betyder mest för inkarnerad AI, där policyer måste övas mot varierande miljöer innan de möter riktiga maskiner, ett område som drar stadig arbete från Googles Gemini Robotics ER 2 till mimic robotics video-aktionsmodeller på Audis fabriksgolv.

Allt ligger under en Apache 2.0-licens i projektets GitHub-repo, som innehåller inferenskoden, en lokal demo och pekare till den släppta kontrollpunkten på Hugging Face och ModelScope. Det sätter ABot-World-0 med den bredare raden av öppna vikter som når arbetsutvecklare i år, bland dem Thinking Machines Lab’s Inkling.

Tillsammans med den 24-timmarsposten släppte teamet sin träningsdata: 30 969 aktionsvillkorsvideoepisoder som totalt 2,74 TB, var och en som paketerar en MP4 med tangentbordsåtgärderna som producerade den, undertexter och en sparsam kamerapositionsrekonstruktion av scenen. Publiceringen av korpusen låter externa forskare träna mot samma material och testa om LongForcing håller i deras händer, och projektets roadmap sätter den bidirektionella lärarmodellen som nästa ut.