Nền tảng dịch vụ dựa trên vị trí Amap của Alibaba chạy mô hình thế giới trong 24 giờ trên một GPU

Nền tảng dịch vụ dựa trên vị trí Amap của Alibaba cho biết mô hình thế giới tương tác ABot-World-0 của họ hiện có thể duy trì một phiên duy nhất trong thời gian dài tới 24 giờ trên một card đồ họa tiêu dùng, và họ đã xuất bản toàn bộ phiên này dưới dạng bản ghi có thể tìm kiếm thay vì một đoạn giới thiệu. Trang web cho phép bất kỳ ai nhảy đến bất kỳ giây nào trong ngày, với các điểm nhập cố định tại các mốc 6, 12 và 18 giờ, cùng với năm lần chạy hoàn chỉnh qua các cảnh đồng cỏ, sa mạc, thành phố và tuyết.

Con số này đáng kể vì nó vượt qua một ngưỡng nhất định. Một mô hình thế giới tương tác tạo ra khung hình video từng khung hình một theo phản hồi của người dùng, vì vậy mỗi phần mới được điều kiện dựa trên các khung hình mà mô hình đó tự tạo ra vài giây trước. Các lỗi nhỏ sẽ lan truyền, và cuối cùng cảnh sẽ bị suy giảm. Amap cho biết rằng hầu hết các hệ thống trong lớp này có thể duy trì trong 30 giây đến 1 phút. Thông báo ngày 16 tháng 7 năm 2026 của mô hình này cho biết con số này là hơn một giờ.

LongForcing giúp duy trì phiên ổn định như thế nào

Phương pháp mà Amap ghi nhận được gọi là LongForcing, được mô tả trong báo cáo kỹ thuật mà nhóm đã đăng trên ngày 21 tháng 7 năm 2026. Cách thông thường để xây dựng một mô hình như này là chưng cất: một mô hình giáo viên chậm hơn, hai chiều, có thể chú ý đến toàn bộ đoạn clip cùng một lúc, huấn luyện một mô hình học viên nhanh hơn, nguyên nhân, chỉ nhìn thấy quá khứ, điều mà tương tác thời gian thực yêu cầu. Sự giám sát này thường bao gồm các đoạn clip ngắn, vì vậy học viên học cách nhìn đúng trong vài giây và tự phát sau đó.

LongForcing mở rộng sự giám sát đến nơi xảy ra các thất bại. Học viên tạo ra một phiên chạy dài trên chính nó, và một giáo viên với bối cảnh thời gian dài hơn giám sát các phần sau của nó, nơi các lỗi dự đoán đã có nhiều thời gian nhất để tích lũy. Báo cáo mô tả điều này như là sửa lỗi sự thay đổi phân phối tích lũy và trôi dạt tự hồi, không phải là một cơ chế bộ nhớ. Mô hình không được yêu cầu nhớ lại các khung hình trước đó một cách chính xác hơn; nó đang được kéo trở lại một phân phối thế giới ổn định khi nó đi.

Amap cho biết điều đó xuất hiện trong hành vi: mô hình tiếp tục mở rộng môi trường với các cảnh mới trong một phiên chạy thay vì bị khóa vào cảnh mà nó bắt đầu, và làm điều đó mà không cần người dùng nhập các lời nhắc mới trên đường đi.

Các con số được báo cáo bao gồm những gì

Phạm vi hiệu suất đến từ các phép đo của nhóm. Trên các cấu hình thấp bit được tối ưu hóa, báo cáo đặt ABot-World-0 ở mức 720p và lên đến 16 khung hình mỗi giây trên một card đồ họa để bàn Nvidia RTX 5090, với 1,2 giây giữa một hành động nhập và khung hình đầu tiên phản ánh nó, và khoảng 19 GiB bộ nhớ video đỉnh. Các lần chạy kiểm soát trên đầu vào bàn phím thô cho cả việc di chuyển cảnh và di chuyển nhân vật thứ ba, với một bộ nhớ nhân vật tham chiếu giữ nguyên hình dạng của nhân vật trong một phiên dài.

Để đánh giá, bài báo báo cáo kết quả trên bộ WorldRoamBench cùng với các phiên chạy tương tác mở rộng, mô tả kết quả là khả năng điều khiển cạnh tranh và sự tiến hóa thế giới dài hạn nhất quán. Điều mà bản ghi 24 giờ được xuất bản thêm vào là khả năng kiểm tra: dòng thời gian đầy đủ có sẵn để được quét qua từng giây một, thay vì được nén vào một bảng.

Báo cáo đã thu hút sự chú ý khi nó được đăng. Trang giấy của Hugging Face đã liệt kê nó là bài báo hàng đầu trong ngày cho ngày 22 tháng 7 năm 2026, và kể từ đó nó đã thu thập được hơn 300 lượt upvote.

Phát triển viên nhận được gì

Sự thay đổi thực tế là phần cứng. Sự tạo ra thế giới tương tác dài hạn đã là một khối lượng công việc của trung tâm dữ liệu, và lập luận của Amap là một card đồ họa để bàn hiện đã bao gồm nó, giảm chi phí tham gia cho các nhà phát triển, studio và nhóm nghiên cứu làm việc mà không có ngân sách cụm. Điều đó quan trọng nhất đối với trí tuệ nhân tạo thể hiện, nơi các chính sách phải được thực hiện chống lại các môi trường khác nhau trước khi chúng gặp phần cứng thực, một lĩnh vực thu hút công việc ổn định từ Gemini Robotics ER 2 của Google đến mô hình hành động video của mimic robotics trên sàn nhà máy của Audi.

Mọi thứ nằm dưới giấy phép Apache 2.0 trong kho GitHub của dự án, nơi mang mã suy luận, một bản demo cục bộ và các con trỏ đến điểm kiểm tra được phát hành trên Hugging Face và ModelScope. Điều đó đặt ABot-World-0 với một loạt các bản phát hành trọng lượng mở đang đến tay các nhà phát triển này năm, trong số đó có Inkling của Thinking Machines Lab.

Cùng với bản ghi 24 giờ, nhóm đã phát hành dữ liệu đào tạo của họ: 30.969 tập đoạn video có điều kiện hành động, tổng cộng 2,74 TB, mỗi tập bao gồm một tệp MP4 với các hành động bàn phím đã tạo ra nó, chú thích và một bản tái tạo tư thế máy ảnh thưa thớt của cảnh. Việc xuất bản corpus cho phép các nhà nghiên cứu bên ngoài đào tạo chống lại cùng một vật liệu và kiểm tra xem LongForcing có đứng vững trong tay họ không, và đường lối dự án đặt mô hình giáo viên hai chiều tiếp theo ra cửa.