MiniWorld：從頭訓練視訊世界模型的民主化框架
為何重要
透過將視訊世界模型的訓練門檻從複雜的調整管道下調至單一 8-GPU 伺服器，此框架能加速嵌入式 AI 與互動模擬相關的研究進展；開源釋出訓練與檢查點也有助於降低社群復現障礙，促進更多基礎模型的比較與最佳化。
MiniWorld 提供了一個輕量級且完全可重現的框架，旨在解決在受限計算資源下建立視訊世界模型的障礙，這類模型對於具身 AI 至關重要。
- 其核心採用區塊因果 Video Diffusion Transformer，基於 Flow Matching 與 Diffusion Forcing 訓練，並在預訓練 Video VAE 的潛空間中運作。
- 推理階段透過結合滾動 KV 快取與非同步去噪機制，在有限算力下優化了串流生成效率。
- 研究者聲稱該框架可在單一 8-GPU 伺服器上於數天內完成訓練。