แพลตฟอร์ม Amap ของ Alibaba รันโมเดลโลกเป็นเวลา 24 ชั่วโมงบนหนึ่ง GPU

แพลตฟอร์ม Amap ซึ่งเป็นบริการที่เกี่ยวข้องกับตำแหน่งของ Alibaba ระบุว่าโมเดลโลกแบบโต้ตอบ ABot-World-0 สามารถรักษาสถานะการทำงานต่อเนื่องได้นานถึง 24 ชั่วโมงบนการ์ดกราฟฟิกผู้บริโภคหนึ่งใบ และได้เผยแพร่การทำงานทั้งหมดเป็น บันทึกที่สามารถเลื่อนตำแหน่งได้ แทนที่จะเป็นไฮไลท์เท่านั้น หน้านี้ช่วยให้ใครก็ตามสามารถเลื่อนไปยังวินาทีใดๆ ของการทำงานที่ยาวนานตลอดทั้งวัน โดยมีจุดเริ่มต้นที่ตายตัวที่ชั่วโมงที่ 6, 12 และ 18 พร้อมด้วยการวิ่งอีก 5 ครั้งผ่านฉากที่แตกต่างกัน เช่น ทุ่งหญ้า ทะเลทราย เมือง และทุ่งหิมะ

ตัวเลขนี้มีค่าเนื่องจากเป็นเพดานที่ชัดเจน โมเดลโลกแบบโต้ตอบสร้างเฟรมวิดีโอเฟรมต่อเฟรมตามการกระทำของผู้ใช้ ดังนั้นชิ้นส่วนที่ใหม่จะถูกกำหนดโดยเฟรมที่โมเดลสร้างขึ้นในขณะนั้น ข้อผิดพลาดเล็กๆ น้อยๆ จะถูกส่งต่อไป และฉากจะเสื่อมลงในที่สุด Amap ระบุ ว่าระบบส่วนใหญ่ในประเภทนี้สามารถทำงานได้เพียง 30 วินาทีถึง 1 นาที การประกาศของตนเองเมื่อวันที่ 16 กรกฎาคม 2569 เกี่ยวกับโมเดลนี้ ระบุว่าสามารถทำงานได้มากกว่า 1 ชั่วโมง

วิธีการที่ LongForcing รักษาการทำงานให้เสถียร

วิธีการที่ Amap ให้เครดิตเรียกว่า LongForcing ซึ่งอธิบายไว้ใน รายงานทางเทคนิค ที่ทีมงานเผยแพร่เมื่อวันที่ 21 กรกฎาคม 2569 วิธีการทั่วไปในการสร้างโมเดลเช่นนี้คือการกลั่นกรอง: โมเดลครูที่ช้ากว่าซึ่งสามารถดูคลิปทั้งหมดได้จะฝึกโมเดลนักเรียนที่เร็วกว่าซึ่งเห็นเพียงส่วนที่ผ่านมาเท่านั้น ซึ่งเป็นสิ่งที่จำเป็นสำหรับการโต้ตอบแบบเรียลไทม์ การดูแลนี้มักจะครอบคลุมคลิปสั้นๆ ดังนั้นนักเรียนจึงเรียนรู้ที่จะดูถูกต้องเป็นเวลาไม่กี่วินาทีและคิดค้นสร้างสรรค์หลังจากนั้น

LongForcing ขยายการดูแลไปยังจุดที่ความล้มเหลวเกิดขึ้น นักเรียนสร้างการวิ่งที่ยาวบนความสามารถของตนเอง และครูที่มีบริบทเชิงเวลาแบบยาวกว่าจะดูแลส่วนท้ายของการวิ่งนั้น โดยที่ข้อผิดพลาดในการทำนายมีเวลาเพียงพอในการสะสมขึ้น รายงานนี้ถือว่าเป็นการแก้ไขการเปลี่ยนแปลงการกระจายและการเลื่อนแบบอัตโนมัติ ไม่ใช่กลไกความทรงจำ โมเดลไม่ได้รับการขอให้จำเฟรมก่อนหน้านี้ได้แม่นยำยิ่งขึ้น แต่ถูกดึงกลับเข้าสู่การกระจายโลกที่เสถียรเมื่อเวลาผ่านไป

Amap ระบุว่าสิ่งนี้ปรากฏในพฤติกรรม: โมเดลยังคงขยายสภาพแวดล้อมด้วยฉากใหม่ๆ ระหว่างการวิ่งแทนที่จะล็อกเข้ากับฉากที่เริ่มต้น และทำได้โดยไม่ต้องให้ผู้ใช้ป้อนคำสั่งใหม่ระหว่างทาง

สิ่งที่ตัวเลขที่รายงานครอบคลุม

พื้นที่ประสิทธิภาพมาจากการวัดของทีมเอง ตามรายงาน โมเดล ABot-World-0 สามารถทำงานได้ที่ 720p และสูงสุด 16 เฟรมต่อวินาทีบนการ์ด Nvidia RTX 5090 สำหรับเดสก์ท็อป โดยมีเวลาประมาณ 1.2 วินาทีระหว่างการกระทำของผู้ใช้กับเฟรมแรกที่สะท้อนการกระทำนั้น และใช้หน่วยความจำวิดีโอประมาณ 19 GiB ในการควบคุม การวิ่งบนการป้อนคีย์บอร์ดแบบดิบสำหรับการเดินเล่นฉากและการเคลื่อนไหวตัวละครแบบสามมิติ โดยมีหน่วยความจำตัวละครอ้างอิงที่ยังคงรูปร่างตัวละครให้เสถียรตลอดการวิ่งยาว

สำหรับการประเมิน รายงานให้ผลลัพธ์บนชุด WorldRoamBench พร้อมด้วยการวิ่งแบบโต้ตอบที่ยาวขึ้น โดยอธิบายผลลัพธ์ว่าเป็นความสามารถในการควบคุมที่แข่งขันกันและความสอดคล้องของการเปลี่ยนแปลงโลกในระยะยาว สิ่งที่บันทึก 24 ชั่วโมงที่เผยแพร่เพิ่มคือความสามารถในการตรวจสอบ: เส้นเวลาเต็มๆ มีอยู่เพื่อให้สามารถเลื่อนตำแหน่งผ่านได้ครั้งละวินาที แทนที่จะบีบอัดลงในตาราง

รายงานดึงดูดความสนใจเมื่อมันลงจอด Hugging Face จัดให้เป็น รายงานชั้นนำของวัน เมื่อวันที่ 22 กรกฎาคม 2569 และได้รับมากกว่า 300 คะแนนจากผู้ใช้แล้ว

สิ่งที่นักพัฒนาจะได้รับ

การเปลี่ยนแปลงเชิงปฏิบัติคือฮาร์ดแวร์ การสร้างแบบโต้ตอบในระยะยาวเคยเป็นงานในศูนย์ข้อมูล และ Amap แย้งว่าการ์ดเดสก์ท็อปหนึ่งใบครอบคลุมสิ่งนี้แล้ว โดยลดต้นทุนการเข้าใช้สำหรับนักพัฒนา สตูดิโอ และกลุ่มวิจัยที่ทำงานโดยไม่มีงบประมาณคลัสเตอร์ สิ่งนี้มีความสำคัญที่สุดสำหรับ AI ที่มีร่างกาย ซึ่งการดำเนินนโยบายต้องได้รับการฝึกฝนในหลายสภาพแวดล้อมก่อนที่จะพบกับฮาร์ดแวร์จริง ซึ่งเป็นพื้นที่ที่ได้รับการทำงานอย่างต่อเนื่องตั้งแต่ Gemini Robotics ER 2 ของ Google ไปจนถึง โมเดลการกระทำวิดีโอของ mimic robotics บนพื้นโรงงานของ Audi

ทุกอย่างอยู่ภายใต้ใบอนุญาต Apache 2.0 ใน ร้านค้า GitHub ของโครงการ ซึ่งมีรหัสการอนุมาน ตัวอย่างท้องถิ่น และลิงก์ไปยังจุดตรวจสอบที่เผยแพร่บน Hugging Face และ ModelScope สิ่งนี้ทำให้ ABot-World-0 อยู่พร้อมกับการเปิดตัวน้ำหนักแบบเปิดอื่นๆ ที่เข้าถึงนักพัฒนาที่ทำงานในปีนี้ รวมถึง Inkling ของ Thinking Machines Lab

พร้อมกับการบันทึก 24 ชั่วโมง ทีมงานได้เผยแพร่ ชุดข้อมูลการฝึก ซึ่งประกอบด้วย 30,969 วิดีโอแบบมีเงื่อนไขการกระทำ รวมทั้งหมด 2.74 TB โดยแต่ละวิดีโอมีไฟล์ MP4 ที่มีการกระทำของคีย์บอร์ดที่สร้างมันขึ้นมา คาพท์ และการสร้างภาพพื้นหลังของฉากแบบบางๆ การเผยแพร่คอร์ปัสนี้ช่วยให้นักวิจัยภายนอกสามารถฝึกฝนโดยใช้วัสดุเดียวกันและทดสอบว่า LongForcing ยังคงทำงานในมือของพวกเขาหรือไม่ และแผนการของโครงการจะวางโมเดลครูแบบสองทิศทางออกไปข้างหน้า