WorldPlay2：连续导航、语义事件与压缩历史一起生成
16FPS使用8张H20；长视频一致性仍不等于持久物理世界
WorldPlay2把逐帧导航与场景、人物、事件提示分开编码，再用压缩历史支持自回归生成。Stable Forcing通过长rollout回放进行少步蒸馏，减少生成漂移；结果显示控制与长程质量改善，但吞吐依赖多卡系统，事件评分和记忆压缩也仍有代价。
图解主要方法
图2中的控制分解、历史压缩和生成循环如何协同，少步训练又怎样看见长程误差？
- 1
把几何控制与语义事件分开输入
连续俯仰/偏航用MLP编码，WASD、转向、跳跃等离散动作逐帧对齐注入主干；场景、人物、事件单独形成语义控制。这样的因子化接口能减少互相干扰，但输入控制信号不等于生成结果每帧都严格遵守物理约束。
- 2
保留近邻并压缩远期历史
记忆包含起始sink、粗细压缩历史和邻近帧；历史时间下采样2、空间4，使token约缩到1/32。因果3D卷积避免泄露未来，教师和学生都能使用记忆；压缩仍会丢细节，也没有证明任意长时间内存始终恒定。
- 3
先少步初始化，再回放长rollout
PDD先得到少步学生，Stable Forcing无梯度展开320潜帧并缓存中间去噪状态，再由教师分段评分、重放选定步骤的梯度。它让训练见到学生累积误差，同时避免整段反向传播；不是完整长序列BPTT。
- 4
把模型算法与系统加速共同核算
部署使用4步生成、FP8、图执行、KV与LightVAE等优化。论文报告的是8张H20的16FPS及约一秒一块延迟，不能直接写成单卡实时16Hz控制响应；长程复访仍依赖压缩记忆保留下来的信息。
实验与证据
以下为作者报告；已阅读 v1 全文及可用附录，本站未独立执行研究实验。实验条件与编辑解读分别列出。
来源证据【交互与质量】WBench总83.1对前代82，质量81.8略低于81.9，场景81.5低于82.1，物理分74持平。 WBench结果表 ↗
我的解读我的解读：总分提高不代表每项领先，更不能由视频评分证明真实物理定律。
来源证据【事件与记忆】145个事件由VLM评学生74.7%，对照52.5%，教师84%；压缩记忆SSIM0.653低于完整记忆0.688，LPIPS0.414高于0.406。 事件评测、记忆消融 ↗
我的解读我的解读：可控性有收益，但教师/学生须分开，压缩不是完全无损；VLM判断还需人工和状态级审计。
来源证据【时延与范围】8×H20达到16FPS，LightVAE等使块延迟从3.432秒降至0.998秒；Revisit200含50段10秒和150段30秒。 效率表、Revisit200与附录 ↗
我的解读我的解读：吞吐、响应延迟和长程范围是不同指标，有限复访集不能证明无限持续一致。
开放情况与使用许可
已打开项目页和GitHub并核对文件树：当前只有README，明确写代码和权重仍在整理。论文及演示公开，不能称代码或模型开源。
LICENSE未见实现或权重许可；论文图2为CC BY-NC-SA 4.0，与未来代码和模型授权分开。
我的判断
独立分析 · 未复现实验正方 · 为什么值得投入
同时处理导航动作、事件语义和长历史，并用学生自己的长rollout做蒸馏，贴近交互生成瓶颈。
反方 · 哪些结论还不够
多卡成本、压缩损失、VLM评分及有限复访范围限制真实持久世界主张；公开仓库尚无实现。
综合判断
是可控交互视频的重要进展；作为规划模拟器还需可追踪状态、因果响应及重复动作一致性证据。
我会先做的验证
未执行的验证方案：固定硬件、分辨率和总延迟，对完整/压缩记忆及不同蒸馏长度做消融；连续重复闭环路径、遮挡再现和冲突事件，测身份、空间回环、动作因果、P95响应与显存随时间增长。