# 交互式世界模型

交互式世界模型长期受困于记忆随生成时长线性增长：时间上下文会耗尽显存，显式3D记忆则因逐帧累积冗余基元而变慢。L3G-World把场景记忆改为紧凑的潜空间3D高斯，只在新观测区域生成新高斯、对已有高斯做残差修正，并让每个高斯直接存VAE潜特征，从而把记忆渲染进扩散Transformer的潜空间而无需重新编码。在DL3DV与RealEstate10K的481帧闭环轨迹上，完整版L3G-World的PSNR为16.00与18.36，配合少步蒸馏后在单张H100上达到9.02 FPS。

交互式世界模型长期受困于记忆随生成时长线性增长：时间上下文会耗尽显存，显式3D记忆则因逐帧累积冗余基元而变慢。L3G-World把场景记忆改为紧凑的潜空间3D高斯，只在新观测区域生成新高斯、对已有高斯做残差修正，并让每个高斯直接存VAE潜特征，从而把记忆渲染进扩散Transformer的潜空间而无需重新编码。在DL3DV与RealEstate10K的481帧闭环轨迹上，完整版L3G-World的PSNR为16.00与18.36，配合少步蒸馏后在单张H100上达到9.02 FPS。

WorldPlay2 是一个实时交互式世界模型，它把帧对齐的动作控制与解耦场景、角色身份和动态语义事件的结构化语义控制组合成因子化混合控制接口，并把历史上下文压缩成自回归学生与双向教师共享的记忆 token，配合由少步初始化与全 rollout 回放构成的 Stable Forcing 蒸馏，在 WBench 上取得 83.1 的平均分（高于 Alaya-Evoke-Turbo 的 82.0），在 RevisitBench 上把 PSNR 提到 19.71、MEt3R 降到 0.105，并在 8 张 H20 GPU 上实现 16 FPS 的实时生成。

WorldPlay2 是一个实时交互式世界模型，它把帧对齐的动作控制与解耦场景、角色身份和动态语义事件的结构化语义控制组合成因子化混合控制接口，并把历史上下文压缩成自回归学生与双向教师共享的记忆 token，配合由少步初始化与全 rollout 回放构成的 Stable Forcing 蒸馏，在 WBench 上取得 83.1 的平均分（高于 Alaya-Evoke-Turbo 的 82.0），在 RevisitBench 上把 PSNR 提到 19.71、MEt3R 降到 0.105，并在 8 张 H20 GPU 上实现 16 FPS 的实时生成。