SolarWM: Interaktive videoverdener som varer timevis – trent på bare fem sekunder
Forskere fra flere institusjoner har publisert SolarWM, en fullstendig åpen kildekode-plattform for å bygge interaktive videoverdensmodeller. Det mest oppsiktsvekkende funnet: modellene trenes kun på femsekunders videosnutter, men klarer likevel sammenhengende, interaktive rollouts som varer fra minutter opp til en hel time.
Hvordan de fikk til det
Poenget er en tretrinns treningsoppskrift: først tilpasses en eksisterende videomodell til å forstå kamerastyring, deretter initialiseres den til å generere autoregressivt (bilde for bilde, basert på det den nettopp genererte selv), og til slutt destilleres den ned til en rask, kausal modell gjennom en teknikk kalt distribution matching distillation. Fordi modellen lærer å forholde seg til sin egen genererte historie i stedet for å måtte se hele den lange videoen under trening, kan den fortsette å generere langt utover det den faktisk ble trent på – uten behov for spesielle "attention-sink"-mekanismer som ellers brukes for å holde lange sekvenser sammenhengende.
Datagrunnlaget
SolarWM-teamet har normalisert 1,43 millioner videoklipp fra ti ulike datasett – ekte opptak, syntetiske miljøer og spillmiljøer – til et enhetlig format med kamera-geometri, bildetekster og kvalitetsmetadata. Hele denne databehandlingspipelinen er også sluppet åpent, slik at andre kan reprodusere eller bygge videre på arbeidet.
Flere modellbackbone-er, ikke bare én "beste"
Her er en liten presisering: rammeverket bygger på tre eksisterende videomodell-arkitekturer – Wan2.2, LTX-2.5 og MiniMax-H3 (riktig stavet, ikke "Miniax") – og instansierer fire modellvarianter fra 5 til 33 milliarder parametere. MiniMax-H3 er altså én av tre støttede backbone-arkitekturer, ikke fremstilt av forskerne som "den beste for øyeblikket" slik det kan oppfattes.
Fullstendig åpent, men et forskningsverktøy
- september 2026 slapp teamet alt: treningskode, inferenskode, hele datasettet, databehandlingspipelinen og modellvekter for alle SolarWM-5B-treningsstadiene, samt vekter for de større 14B-, LTX- og H3-variantene. Det er reelt imponerende åpenhet. Men verdt å vite: dette er et forskningsrammeverk for å bygge og trene egne verdensmodeller, ikke en ferdig app hvor du bare klikker deg inn i en interaktiv verden – å faktisk bruke det krever teknisk oppsett og betydelig GPU-kapasitet.
Ressurser
- SolarWM på arXiv – den fulle vitenskapelige artikkelen
- SolarWM på GitHub – kode, data og modellvekter
