AlayaWorld：一个开源交互式世界模型，支持实时相机控制和提示切换
Alaya Lab 发布了 AlayaWorld，一个用于构建交互式生成世界的全栈开源框架。它具备超一分钟的长视频一致性、实时相机控制和基于提示的交互功能。
2026年7月8日，Alaya Lab（隶属于盛大AI研究院）发布了 AlayaWorld，一个用于构建交互式生成世界的全栈开源框架。与传统游戏引擎需要手动创作每个对象不同，AlayaWorld 通过自回归世界模型动态生成整个可玩的游戏世界。
| 项目页面 | alaya-lab.github.io/AlayaWorld |
| 演示视频 | YouTube |
| 技术报告 | arXiv 2607.06291 |
| 代码与权重 | 即将推出 |
| 许可证 | Apache 2.0 |
AlayaWorld 能够生成可玩的交互式世界，涵盖多种艺术风格，从写实场景到风格化的游戏环境。
四大核心属性
AlayaWorld 围绕四个设计原则构建：交互性、一致性、稳定性和运行时效率。
交互性
两个控制通道实现了实时的用户交互：
- 渲染的3D缓存，通过轻量级 AdaLN 相机调制实现基于轨迹的导航——用户可以自由地向任意方向移动相机
- 块级提示切换，在生成过程中引入新事件，允许用户触发战斗、施法或召唤怪物等操作
一致性
为了让探索中的世界保持可识别性，AlayaWorld 使用两种互补的内存系统：
- 显式3D缓存，重新投影到查询视角以实现空间记忆
- 压缩的帧历史嵌入，用于时间连续性
这使得重访的地点保持可识别，解决了困扰大多数视频生成模型的关键问题。
稳定性
长视频生成以不稳定著称——错误会随时间累积。AlayaWorld 通过在漂移的历史上训练并维护一个错误库来解决这一问题，该库将累积的伪影重新注入内存和目标，从而防止错误在超过一分钟的滚动生成中累积。
运行时效率
该系统通过少步 DMD 蒸馏和短时间块实现实时交互。提示切换在块边界进行，以最小化视觉和语义延迟。
风格灵活性
AlayaWorld 支持同一场景的多种艺术风格。项目页面展示了一个江南场景，以以下风格渲染：
- 写实——照片级渲染
- 油画——表现主义笔触风格
- 水墨——中国传统水墨画
- 赛博朋克——霓虹灯光下的未来美学
- 塞尔达风格——卡通渲染的游戏美学
用户可以在不同风格之间切换，甚至在同一世界会话中触发不同风格。
超越游戏
虽然 AlayaWorld 的交互能力在类似游戏的环境中表现出色——用户可以自由导航、与敌人战斗、施法和召唤怪物——但该框架的设计目标是超越游戏。它在游戏录制和真实世界视频上进行训练，能够捕获多样的视觉外观和物理动态，为具身智能和合成环境训练开辟了可能性。
团队与路线图
该项目由 Alaya Lab 的 Kaipeng Zhang（核心负责人）和 Chuanhao Li（负责人）领导。完整的技术报告可在 arXiv 上获取。
发布路线图包括：
- 推理代码
- 预训练权重
- 训练代码
- 训练数据（部分）
所有组件均计划发布，使 AlayaWorld 成为一个全栈开源框架——从数据准备、模型架构到训练、推理加速和部署。