Hugging Face、長尺動画世界モデル「SolarWM」のオープンデータと学習手法を公開

記事の3ポイント

1. 1

   統一データエンジンによる標準化

   10 データセットの 143 万クリップを、視覚観察、カメラ幾何、キャプションなどのメタデータを統合したフレーム整合形式に変換し、再現性と比較可能性を確保する。

2. 2

   多様なバックボーンへの適応

   Wan2.2、LTX-2.5、MiniMax-H3 の 4 つのモデル（5B〜33B）に対して、ネイティブ表現と目的を維持しつつ、共有されたカメラ条件付けインターフェースで訓練する。

3. 3

   長期間推論の実現

   双方向適応、教師付き自己回帰初期化、分布マッチング蒸留からなる統一レシピにより、5 秒のシーケンスで訓練したモデルが数分〜数時間のロールアウトを可能にする。