Zing-0.5: исследователи выпустили ИИ-модель мира с управлением клавиатурой и текстом
Разработчики представили Zing-0.5, авторегрессивную модель мира (world model) на 5 миллиардов параметров, созданную специально для играбельности: пользователь может исследовать сгенерированный мир, влиять на происходящие в нём события и получать отклик через совместное управление клавиатурой и текстовыми командами в реальном времени.
В основе модели три технических решения. Во-первых, единое кондиционирование по действиям и тексту: клавиатурный ввод с учётом его силы (magnitude-aware) объединён с синхронизированными по времени текстовыми инструкциями и размеченными видео, что позволяет обучать навигацию и управление событиями в рамках одной последовательности. Во-вторых, надзор на уровне событий (event-scale supervision) для пошаговой генерации: сегмент-уровневый «учитель», обученный на связанных видео с несколькими подсказками, через дистилляцию с сопоставлением распределений обучает блочного каузального «ученика». В-третьих, дешёвое взаимодействие в реальном времени: четырёхшаговая генерация в сочетании со стримингом с сохранением контекста позволяет вести инференс с разрешением 832×480 при 24 кадрах в секунду по оценочной стоимости аренды сервера около 0,009 доллара за минуту стрима.
На тесте WBench Navigation, включающем 158 сценариев, Zing-0.5 набрала общий балл 81,0 и балл согласованности (consistency) 88,5. Отдельная демонстрация совместного управления показала, что модель может выполнить текстовую команду на изменение события прямо в процессе продолжающейся навигации, не перезапуская генерацию.
Авторы выложили веса модели, код инференса и реализацию обслуживания Zing-SGLang, чтобы дать другим исследователям возможность развивать работу над играбельными сгенерированными мирами. Имена авторов, их принадлежность к организации и место публикации в тексте не указаны; сравнения с другими моделями мира или базовыми решениями по итогам теста WBench Navigation также не приводится.
Ключевые факты
- Zing-0.5, авторегрессивная модель мира на 5 миллиардов параметров с совместным управлением через клавиатуру и текст в реальном времени
- Генерация в реальном времени: разрешение 832×480 при 24 кадрах в секунду, оценочная стоимость ~0,009 доллара за минуту стрима
- Четырёхшаговая генерация со стримингом с сохранением контекста и дистилляцией «учитель, ученик» на уровне событий обеспечивает низкую задержку
- На тесте WBench Navigation (158 сценариев) модель набрала 81,0 общего балла и 88,5 балла согласованности
- Веса модели, код инференса и реализация обслуживания Zing-SGLang выпущены в открытый доступ
Почему это важно
Zing-0.5 объединяет в одной модели навигацию по сгенерированному миру и управление сюжетными событиями текстовыми командами, раньше это обычно требовало разных механизмов или моделей. Авторы показали, что играбельная генерация видео в реальном времени (24 кадра в секунду при разрешении 832×480) достижима на модели скромного по нынешним меркам размера (5 млрд параметров) и по низкой расчётной цене, около 0,009 доллара за минуту стрима.
Кому это важно
Исследователям генеративных видео и интерактивных сред, разработчикам игровых и симуляционных движков на основе ИИ, а также инженерам, которые занимаются развёртыванием потоковых генеративных моделей и ищут дешёвые способы обслуживания инференса в реальном времени.
Как это применить
Авторы открыли веса модели, код инференса и отдельную реализацию для обслуживания, Zing-SGLang, рассчитанную на низкую стоимость и малую задержку при потоковой генерации. Это позволяет другим командам воспроизвести результаты, встроить модель в собственные эксперименты с играбельными мирами или использовать компоненты (например, схему четырёхшаговой генерации) в своих разработках.
Можно ли доверять
Источник, карточка препринта на HuggingFace Papers, пересказ сделан по полному тексту аннотации. В тексте не указано ни одного имени автора, ни их число, ни принадлежность к организации, ни место публикации. Заявленные баллы на тесте WBench Navigation (81,0 и 88,5), собственные цифры авторов, приведённые без сравнения с другими моделями мира или базовыми решениями, поэтому их значимость трудно оценить со стороны.
Риски и подводные камни
В тексте нет сравнения Zing-0.5 с другими моделями мира или базовыми методами, заявленные баллы 81,0 и 88,5 остаются самооценкой авторов на собственном тесте WBench Navigation, методология подсчёта которого не раскрыта за пределами двух названных метрик. Не указаны ни дата релиза, ни сроки выхода весов, кода инференса и Zing-SGLang, известно только, что авторы заявляют об их публикации.