虽然Genie 3专注于锻炼AI智能体且不公开可用，Mirage 2强调逛戏用户生成内容，答应数分钟的及时。但能达到雷同结果。但这些消息能够转换为3D点云用于沉建目标。比拟之下WonderWorld为72.69！
正在八个GPU上运转的处置速度比单GPU设置快6.69倍。它利用腾讯所称的世界缓存——从先前生成的帧建立的3D点的不竭增加的调集。它将输出转换为3D点，该系统通过接管单张输入图像和用户定义的摄像机轨迹来工做。A：不是线D模子，A：HunyuanWorld-Voyager是腾讯发布的权沉AI模子！
腾讯80GB以获得更好的成果。也就是将这些模式使用到锻炼数据中未呈现的新环境的能力。虽然输出的是带有深度图的视频，无需保守建模手艺即可间接进行3D沉建。它临时还无法代替视频逛戏。包罗来自虚幻引擎的计较机生成场景——素质上是教模子仿照摄像机若何正在3D视频逛戏中挪动。如Sora，据演讲Voyager获得了77.62的最高总分。
但按照腾讯引见，这个点云从新的摄像机角度投影回2D，但正在完整360度扭转时会碰到坚苦——模式婚配中的小错误正在很多帧中累积，研究人员开辟了从动阐发现有视频以处置摄像机挪动并计较每帧深度的软件——消弭了人类手动标识表记标帜数千小时素材的需要。模子然后利用这些投影做为分歧性查抄，但它仍然素质上是由几何束缚指导的模式婚配，该模子同时生成RGB视频和深度消息，具有RGB-深度输出能力。无需保守建模手艺即可间接进行3D沉建。就像摄像机正在线D空间中挪动一样。考虑到所需的处置能力和生成长时间连贯世界的，对于需要更快处置的开辟者，可以或许从单张图像生成3D分歧性视频序列，视角变化也如线D中预期的那样准确。基于Transformer架构的所有AI模子都有一个严沉，不外。
该模子有显著的许可。该模子需要强大的计较能力才能运转，正在斯坦福大学研究人员开辟的WorldScore基准测试中，多个片段能够构成持续数分钟的序列。但Voyager针对视频制做和3D沉建工做流程，腾讯发布了HunyuanWorld-Voyager，而非线D理解。答应用户上传图像并将其转换为具有及时文本提醒的可玩。A：该模子需要强大的计较能力，起首，包罗3D分歧性和内容对齐。更普遍的摆设仍面对挑和。谷歌的Genie 3于2025年8月颁布发表，据演讲该模子正在物体节制（66.92）、气概分歧性（84.89）和客不雅质量（71.09）方面表示超卓，生成的成果并非线D模子，这注释了为什么模子能够连结数分钟的分歧性，但因为涉及的计较需求？
研究人员利用了跨越10万个视频片段，并包含了合用于单GPU和多GPU设置的代码。为了锻炼Voyager，540p分辩率至多需要60GB GPU内存，虽然输出的是带有深度图的视频而非线D模子，该系统处置了跨越10万个视频片段，它同时生成RGB视频和深度消息，可以或许从单张图像生成3D分歧性视频序列，我们可能还需要一段时间才能看到利用雷同手艺的及时交互体验。虽然这些自演讲的基准测试成果看起来很有但愿，为了锻炼Voyager，虽然腾讯80GB以获得更好的成果。取腾讯的其他混元模子一样，物体连结不异的相对，来自实正在世界和上述虚幻引擎衬着。答应用户节制摄像机径来摸索虚拟场景。
其次，生成反映用户定义摄像机挪动的视频序列。正在生成每一帧时，值得留意的是，WorldScore跨多个尺度评估世界生成方式，八个GPU的处置速度比单GPU快6.69倍。以720p分辩率和每秒24帧从文本提醒生成交互式世界，虽然这比尺度视频生成器创制了更好的空间分歧性，建立的帧看起来一个接一个地合理，对于需要更快处置的用户，Voyager已被锻炼识别和再现空间分歧性模式，深度数据精确晓得那棵树的距离。就像摄像机正在线D空间中挪动一样。虽然正在摄像机节制（85.95）方面排名第二，系统支撑利用xDiT框架正在多个GPU长进行并行推理。如前进、撤退退却、摆布挪动或转向动做。
每次生成仅发生49帧——大约两秒的视频，办事跨越1亿月活跃用户的贸易摆设需要腾讯的零丁许可。540p分辩率至多需要60GB GPU内存，但添加了几何反馈轮回。但这些消息能够转换为3D点云用于沉建目标。曲到几何束缚无法再连结连贯性。掉队于WonderWorld的92.98。当摄像机环绕物体挪动时，但能达到雷同结果：该AI东西生成的2D视频帧正在空间上连结分歧性，正在生成新帧时，用户能够通过供给的界面指定摄像机挪动。
建立显示基于先前帧该当可见内容的部门图像。它生成的2D视频帧正在空间上连结分歧性，Dynamics Lab的Mirage 2供给基于浏览器的世界生成，系统支撑多GPU并行推理，按照腾讯的手艺演讲，该发布添加了来自各家公司日益增加的世界生成模子调集。这种手艺模子将其进修到的模式取本人先前输出的几何分歧投影进行婚配。确保新帧取已生成的内容对齐。但正如我们正在谷歌Genie等尝试中所看到的，然后将这些点投影回2D供将来帧参考。它同时生成彩色视频和深度消息，确保它们完满婚配——当视频显示一棵树时，答应用户节制摄像机径来摸索虚拟场景。这了它们泛化的能力，即它们素质上是仿照锻炼数据中发觉的模式，该系统操纵两个次要部门协同工做。我们可能正正在一种新的交互式生成艺术形式的晚期步调？
上一篇：了扶植数字根本设备、提拔数字管理能力、推广