SolarWM发布长时域视频世界模型方案，支持最长约60分钟连续 rollout

SolarWM 论文提出面向长时域视频世界模型的开放数据和可扩展训练方案。项目包含四个5B至33B参数的模型，研究团队来自香港中文大学（深圳）、南洋理工大学、香港科技大学、英伟达、UCLA和微软亚洲研究院等机构。

数据集包含约 142.6万个视频片段，总量约25.85 TB，来自10个源数据集和14个数据集所有者；视频字幕由 Kimi-K2.6 生成。训练方案结合双向相机条件适配、teacher-forced 初始化和因果蒸馏，推理使用4个采样步、16 fps。

作者称，因果模型只用5秒序列训练，也能实现实时交互和分钟级至约60分钟的连续 rollout，不需要长序列微调。论文表示将发布处理后语料、数据管线、训练配方、模型权重及训练/推理框架，项目页已提供代码和数据入口。