GameVerse：让交互式世界模型不再止步于一分钟

导语

交互式世界模型的目标，不只是生成一段看起来合理的视频，而是根据用户或智能体的动作，持续呈现一个能够被探索、操控并保持内部一致性的动态环境。当前系统往往在短时间内表现不错，但当推演持续接近一分钟，场景布局、镜头运动和事件因果关系就容易逐渐漂移。GameVerse 论文将这一问题指向一个常被忽视的瓶颈：适合长时程训练的数据仍然稀缺。

核心要点

• 从短片段转向分钟级序列。 GameVerse 包含约 6.97 万段游戏视频，总时长 1655 小时、约 3.496 亿帧，覆盖多样的第一人称和第三人称玩法。其中，连续两分钟序列达到 1358 小时。相比主要由十秒以内片段组成的传统数据，这类素材更能呈现完整的移动、探索和交互过程。
• 不仅收集视频，也记录镜头如何运动。 数据集为每个片段配备时间上稳定的相机轨迹，强调镜头在数分钟范围内的连续性。这为模型学习视角变化、空间结构与动作之间的关系提供了更明确的条件。
• 标注围绕事件组织。 传统视频字幕常用一段粗略文字概括整个片段，难以告诉模型某个动作何时发生。GameVerse 的描述区分相对稳定的场景背景与动态前景事件，并让文本边界尽量贴合事件边界，而不是机械地按固定时间窗口切分。
• 建立统一处理流程。 数据经过场景一致的分段、质量过滤、相机位姿估计和事件级字幕标注，目标是在扩大规模的同时，减少镜头跳变、画面质量不稳定和描述粒度不匹配带来的噪声。

意义与影响

GameVerse 的价值不只是“更大的游戏视频库”，而是把长时程生成所需的几个条件放到同一套数据中：足够长的连续观察、持续稳定的视角信息，以及与具体事件对应的语言描述。对于交互式世界模型而言，这些信息有助于模型学习场景在时间上的持续性，而不是只记住某个短片段的视觉外观。

论文的实验结果表明，使用 GameVerse 训练能够明显延长模型保持时间连贯性的能力。不过，这一数据集并不意味着长时程建模问题已经解决。游戏画面与真实世界在物理规律、开放性和交互复杂度上仍有差异；同时，事件标注和相机轨迹的质量也会直接影响训练效果。后续研究仍需进一步验证模型能否把学到的连续性迁移到不同游戏、不同环境乃至现实场景中。

从数据建设角度看，GameVerse 提供了一个清晰方向：对于世界模型，视频长度、镜头连续性和事件级语义，可能与单纯增加帧数同等重要。随着更长时间跨度的评测和训练方法出现，这类分钟级数据集或将成为衡量交互式生成系统实用性的基础设施。

来源：Hugging Face Daily Papers