SolarWM 发布开放数据与可扩展训练框架，仅用5秒序列训练实现小时级交互式视频世界模型

SolarWM是一个全新的开放框架，旨在构建交互式视频世界模型。该框架通过一个可配置的多源数据引擎和骨干原生适应框架，解决了在异构数据源和视频骨干网络中进行训练的挑战。SolarWM将来自10个数据集的143万多个标准剪辑转换为统一的、帧对齐的合约，涵盖了视觉观察、度量相机几何、字幕、质量元数据、选择决策和来源信息。该框架实现了四个5B至33B的模型，并采用统一的三个阶段配方，结合双向适应、教师强制自回归初始化和分布匹配蒸馏。这些因果模型在仅用5秒序列训练后，能够实现从分钟到小时的实时交互。SolarWM通过发布数据、管道、配方、权重和框架，为交互式世界模型研究提供了一个可重复和可扩展的基础。