MiniWorld：从零训练视频世界模型的轻量化基线

导语

视频世界模型的目标不是单纯生成“看起来合理”的视频，而是在历史观察和控制信号的条件下，预测环境接下来会如何演化。对具身智能、可交互仿真和长期决策来说，这类模型的价值在于学习动作与环境变化之间的动态关系。MiniWorld 这篇工作关注的核心问题很直接：能否不依赖庞大的预训练视频生成模型，也能从零训练出一个透明、可复现、算力门槛相对可控的视频世界模型基线？

核心要点

• 从零训练，而不是后训练改造。 近期不少视频世界模型路线会基于已有视频生成模型进行后训练或蒸馏。MiniWorld 选择搭建一个可端到端训练的框架，减少对复杂预训练管线的依赖。
• 面向流式因果推理。 论文指出，双向预训练范式与实际因果流式推理之间存在不匹配。MiniWorld 使用 block-causal Video Diffusion Transformer，更贴近自回归状态转移和在线生成的使用方式。
• 在潜空间中训练。 模型在预训练 Video VAE 的潜空间中用 Flow Matching 训练，避免直接在像素空间建模带来的高成本。
• 借鉴 Diffusion Forcing。 框架采用按 chunk 非递减的噪声调度，并通过两阶段继续训练提升时间建模能力和训练稳定性。
• 推理侧强调效率。 MiniWorld 在推理时结合 rolling KV cache 与流水线式异步去噪，让长时程流式生成能在有界计算开销下运行。

意义与影响

MiniWorld 的“民主化”并不意味着它已经解决了视频世界模型的所有难题，而是提供了一个研究社区更容易复现实验、检查细节和继续改进的起点。相比只展示大规模系统效果的工作，一个轻量、透明、公开代码和检查点的基线更有利于比较不同训练策略、因果结构和推理机制的真实贡献。

对具身 AI 研究而言，这类框架尤其重要。机器人或智能体需要在行动前想象可能后果，世界模型正是这类“内部模拟器”的基础。MiniWorld 将训练成本压缩到论文所称的单台 8-GPU 服务器数天级别，有助于让更多实验室参与到视频世界模型研究中。不过，素材尚未提供更完整的评测细节和具体性能对比，因此现阶段更应把它看作开放基线与工程框架，而不是对现有大型方案的全面替代。

来源：Hugging Face Daily Papers