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

私たちは、データ準備から長時間の推論に至るまで、インタラクティブな動画世界モデルを構築するための完全オープンな基盤「SolarWM」を発表します。異種多様なデータソースや動画バックボーン間での学習は困難を伴います。なぜなら、データセットは時間スケール、カメラ幾何学、視覚品質、動き、キャプションのスタイルがそれぞれ異なり、動画生成モデルも独自の表現とアーキテクチャを採用しているからです。単純なデータの混合やモデル固有の実装では、一貫性のある教師信号が得られず、結果の再現性や比較が困難になります。

SolarWM は、再構成可能なマルチソースデータエンジンとバックボーンネイティブな適応フレームワークによってこの課題を解決します。このエンジンは、10 のデータセットから収集した 143 万本の標準化されたクリップを変換し、視覚的観測値、計量カメラ幾何学、キャプション、品質メタデータ、選択判断、そして出所情報を網羅する統一されたフレーム同期契約へと統合します。これにより、ソース処理と混合構成の分離が可能になります。

共有されるカメラ条件付け、トレーニング、推論インターフェースの下で、Wan2.2、LTX-2.5、MiniMax-H3 をベースに 4 つのモデル（5B から 33B パラメータ）を構築しました。これらは各モデルが持つネイティブな表現と目的関数を維持しています。

統一された 3 ステージのレシピには、双方向適応、教師強制自己回帰初期化、そして分布マッチング蒸留が含まれています。その結果得られた因果モデルは、わずか 5 秒間のシーケンスで学習するだけで、数分から数時間にわたるロールアウトにおけるリアルタイムインタラクションを可能にします。

得られたデータ、パイプライン、レシピ、重み、そしてフレームワークを公開することで、SolarWM は対話型ワールドモデル研究のための再現可能で拡張性の高い基盤を提供します。