论文导读
Astronex Robotics和南京信息工程大学推出Astronex-World 1.0：输入文字或首帧后，用户可以持续控制相机、动作与角色类型，还能在生成中途插入事件。因果版以832×480、24fps输出，在一张NVIDIA L20上实时流式运行，把可交互世界模型压到5B参数规模。
视频不是一次生成完，而是边玩边往后长
普通视频生成通常在开始前固定提示词，模型算完一段后交付结果。交互世界模型需要在运行中持续接收动作：相机向前、人物左转、车辆加速，下一帧既要服从新指令，也要保持此前场景中的位置和外观。
Astronex-World同时提供双向版和因果版。双向版利用完整时间上下文生成整段视频；因果版把视频按块推进，保存跨块KV缓存，让前一段状态直接服务下一段。输入既可以是文字，也可以是一张初始图像。
图1：项目页汇总人物、室内、驾驶、游戏和自然环境等生成样例。
相机、动作和文字事件分三路进入模型
相机控制使用内外参编码，动作则压成64维连续向量，并调制每一层Transformer。角色或载具类型通过embodiment标识区分。用户还可以指定时间位置插入一句事件，让后续画面发生变化，而不是重新从第一帧生成。
训练分五个阶段：先学习相机与动作控制，再把双向骨干改成块因果生成；随后蒸馏少步采样学生，补回混合领域动态，最后用分布匹配改善画面质量。底座来自Wan2.2-TI2V-5B，五个阶段都在两张L20 48GB上运行。
图2：项目图展示视频潜变量、动作调制和持续生成之间的数据流。
单张L20实时跑，5B模型挑战更大系统
因果模型生成分辨率为832×480、帧率24fps，论文称可在一张L20上实时流式输出。WBench Navi得分73.5，WBench Full得分70.0；在作者列出的同表对比中，这个5B模型高于13.6B的LongCat-Video和14B的Helios，与22B的LTX-2.3相差不到1分。
图3：项目页展示宇航员、热气球、人物行走等场景随控制持续演化。
这些分数来自论文规定的WBench口径，不能外推成所有视频质量指标上的全面胜负。VBench样例也能看到静态物体、人物与室内场景的连续生成，但五秒级展示和长期稳定交互仍是不同难度。
图4：项目页列出床铺、葡萄、建筑和室内物体等5.2秒生成序列。
下一步是把预留动作接口接上真实任务
团队为具身智能与自动驾驶预留了动作输入和输出接口，但论文展示仍以生成环境为主，不代表机器人或车辆已经在现实中闭环运行。代码与权重已经提供，后续可检验更长交互中的身份保持、碰撞一致性、动作延迟，以及不同硬件上24fps能否稳定维持。
评测还应加入可重复操作：同一初始状态下连续执行转向、停止和回退，检查物体是否守恒、相机是否穿墙，以及事件插入后旧场景状态能否保留。世界模型只有在动作可验证时，才更接近训练智能体的环境。
参考资料
https://arxiv.org/abs/2609.20034
https://arxiv.org/html/2609.20034
