WorldPlay2 用因子化混合控制接口与压缩记忆+稳定蒸馏，在 WBench 上把平均分推到 83.1 并在 RevisitBench 上把 MEt3R 降到 0.105

提出因子化混合控制接口，把低层运动与高层语义交互、视觉内容因素显式解耦：帧对齐动作控制处理连续相机俯仰/偏航、离散纵向与横向移动、相机视角和跳跃动作，结构化语义控制则把信号分成场景、角色、事件三个字段。 此前工作多以相机位姿、离散键盘输入或像素坐标场控制视角与角色移动，语言驱动事件虽被引入，但异构控制信号仍难以统一表示；该工作把不同语义粒度与时间跨度的控制显式分离，使模型能学习跨异构控制的可复用组合。 论文给出接口的公式化定义与注入位置（在 Transformer 每个块的 FFN 之前），并报告消融：去掉结构化语义控制后旋转误差从 0.168 升至 0.478、平移准确率从 98.3 降至 88.9，说明解耦对导航可控性有可测影响。

把生成历史压缩为紧凑记忆 token，由自回归学生与双向教师共享，从而把长 rollout 切成以记忆为条件的局部片段分别打分，避免联合处理整段长 rollout。 既有方法常保留全分辨率上下文或依赖检索、稀疏注意力、显式 3D 表示来维持长时一致性，并把蒸馏当作独立模块；该工作把记忆与蒸馏协同设计，使教师评分在长时程下仍可计算。 论文报告压缩使序列长度约降低一个量级，并在 96 latents 训练下与全上下文基线取得相近的长时几何一致性（PSNR 18.80 对 18.47，MEt3R 0.128 对 0.133），同时显著降低显存与迭代时间。

提出 Stable Forcing 长时程蒸馏框架：先用受 PDD 启发的少步初始化让自回归学生产生有意义的少步 rollout，再用全 rollout 回放把长时程 rollout 与梯度反传解耦，每个 chunk 做完整少步采样并缓存一个随机中间去噪时间步用于带梯度回放。 Self Forcing 类方法在长时程下会因误差累积与少步采样导致学生分布偏离教师、训练不稳定；该工作把初始化与回放结合，使长时程分布匹配蒸馏保持稳定。 消融显示去掉初始化与全 rollout 回放后 WBench 平均分降至 73.9 并出现模式崩溃与地面伪影，仅保留回放为 75.2，完整方法为 83.1；全上下文教师虽性能接近（82.3）但每次迭代耗时 261s 对 167s，且扩展到 320 latents 时出现显存不足。

在 WBench 与自建 RevisitBench 上系统评测：WorldPlay2 平均分 83.1，超过此前最优基线 Alaya-Evoke-Turbo 的 82.0；RevisitBench 上 PSNR 19.71、SSIM 0.613、LPIPS 0.318、MEt3R 0.105，均优于五个对比模型；交互事件评测平均分 74.7（EO. 79.2、CI. 70.1）。 对比模型分别受限于固定上下文窗口的记忆退化、相机位姿漂移导致的检索失准、显式 3D 表示的跨 chunk 尺度歧义或时间闪烁；该工作在不依赖易错检索与敏感显式 3D 表示的情况下维持长时几何一致性。 评测覆盖 WBench 导航划分与 200 条回访轨迹的 RevisitBench，并用 VLM 自动评估 145 个留出样本的指令遵循与执行准确度；训练语料为 700K 导航片段（30s–60s）与 10K 交互事件片段（10s–30s）。

该结果面向需要实时响应、多轮交互控制与长时几何一致性的交互式世界模型场景，例如导航式探索与语义事件驱动的环境演化。论文给出的训练配方为多阶段课程：先在空间导航数据上训练基础视频扩散模型，再按两阶段流程接入记忆压缩器，随后用教师强制把双向模型转为 chunk 级自回归模型并经 PDD 少步初始化，最后做分布匹配蒸馏；推理侧通过计算图融合、低比特量化、KV 缓存与轻量 VAE 在 8 张 H20 GPU 上达到 16 FPS。对读者而言，这意味着该工作提供了一套可复用的“控制接口 + 压缩记忆 + 稳定蒸馏”组合，适合被后续工作在更长时程、更多控制类型与更大数据规模上继续扩展。

论文自述角色仍会出现渐进的视觉与语义漂移，偶尔无法在长 rollout 中保持严格身份一致性；扩展到无限时程生成仍是开放挑战，如何在无误差累积的前提下同时维持无限 rollout 稳定性与长期几何一致性尚未解决。评测方面，交互事件响应依赖 VLM 作为自动评估器，其评分与人类判断的一致性未在文中展开；RevisitBench 由 50 条 10s 与 150 条 30s 回访轨迹构成，规模有限。此外，实时 16 FPS 的结论绑定在 8 张 H20 GPU 与特定推理优化组合上，换用其他硬件或未启用同等优化时表现如何，属于需要进一步观察的问题。