ResearchMan← Technology
Astronex-World 1.0
Research商用OK (Apache-2.0)#Spatial/3D#GenVideo

Astronex-World 1.0

Astronex Robotics / 南京信息工程大学/2026-09

Overview

カメラ・アクション・イベントの3種類で操作できる、5Bパラメータの動画生成型ワールドモデル。単一GPUでリアルタイム生成でき、Apache 2.0でコードと重みが公開されています。

技術のポイント

文章や1枚の画像から「その先の映像」を生成し、しかもカメラの軌道、移動などの連続操作、途中で起きる出来事(雨や雷など)を指定して動かせる世界モデルです。ゲームのように視点を動かすと、それに合わせて映像がその場でつくられていきます。140億パラメータ級の大型モデルより小さい5Bなのに、比較ベンチマークで上回ったと報告されています。広告・体験づくりでは、実際に撮影やCG制作をせずに「雨の街を歩く視点」「嵐が来る瞬間」といったカメラワーク付きの世界を試作したり、展示・イベント向けに視点操作できる映像体験のプロトタイプを作ったりする用途が考えられます。商用利用可能なApache 2.0なので、案件で使う前提の検証もしやすい点も魅力です。

技術の詳細

仕組みは、動画を生成する拡散モデル(ノイズから少しずつ絵を作るAI)に、カメラの位置や向き(PRoPEという方式)、64次元の操作信号、時刻つきのイベント指示を条件として与えるものです。共通の重みから、全体を見渡して高品質に作る「双方向モード」と、直前までの映像を記憶(KVキャッシュ)しながら1コマずつ続きを作る「因果(ストリーミング)モード」の2種類を使い分けられます。後者が対話的なリアルタイム生成を支えます。たとえるなら、双方向は「映画を編集室でじっくり作る」、因果は「生放送で先の展開を即興で演じる」ようなものです。 従来の動画生成は、カメラや出来事を文章で頼むだけで細かく制御しにくいものが多く、大型モデルは重くて対話的に使えませんでした。本モデルは5段階の学習(軌道蒸留や分布マッチングを含む)で小型化と制御性を両立し、832×480と1280×704の24fpsに対応します。 使うにはGitHubのリポジトリと約5Bの重みをHugging Faceから取得し、Pythonで推論します。リアルタイム動作の報告環境はNVIDIA L20(48GB)で、個人PCではVRAMが大きいGPUが必要になります。費用はソフトウェア自体は無料で、GPUのレンタル費用が主なコストです。コーディング経験があれば試せますが、環境構築には一定のスキルが必要です。

License

コードと重みの両方がApache 2.0。Hugging Face(Astronex-Lab/Astronex-World)で重みを配布。

Sources

Related Works

  • HY-World 1.5 (WorldPlay)

    テンセントの対話型ワールドモデル。リアルタイムで探索可能な世界を生成する。

  • Lyra 2.0

    NVIDIAの、動画生成モデルから3D世界を作る研究。

  • LongCat-Video

    比較対象とされている13.6B規模の長尺動画生成モデル。