一张 5090，跑起一个能一直玩下去的世界：ABot-World-0 解析
论文链接：https://arxiv.org/pdf/2607.19191
立即体验：https://abot-world.amap.com/#create
代码地址：https://github.com/amap-cvlab/ABot-World
生成一段好看的视频，和生成一个"能进去玩"的世界，是两回事。后者要求：你按一下键，画面跟着变；变完的画面又成为下一步的输入；而且这个循环得一直转下去不崩掉。
高德 AMAP CV Lab 的 ABot-World-0 想一次性解决四个互相纠缠的瓶颈——拿不到带动作标注的数据、用户意图不好表达、自回归越跑越飘、整套流水线塞不进消费级显卡。最终成绩：5B 模型，720P（1280×704）、最高 16 FPS、按键到首帧 1.2 秒、峰值显存 ≤19.3 GiB，全部在一张 RTX 5090 上。
数据：把采集本身做成一个伺服系统
训练语料来自三个互补的源，各有各的残缺：AAA 游戏能从运行时 API 直接拿到真值按键，但画风被游戏本身框死；仿真引擎（UE + 自研 ABot-3DGS 重建的街景）几何精确、动作标签确定，但轨迹得人为设计；互联网视频多样性最好，却只能靠位姿估计打伪标签。
真正有意思的是 WorldExplorer——一个自动采集智能体。导航 agent 自主探索场景（优先没去过的区域，退化到就近搜索，再退化到带碰撞检测的前进），并行管线同步录下视频、位姿、按键、环境状态，跨模态对齐误差 33 ms 以内。
关键在于它不是"采完就完事"，而是接了一条训练反馈回路：训练监控 → 弱点诊断 → 策略调整 → 定向重采。哪类场景-动作组合模型学不好，采集配比就往哪偏（同时保留最低覆盖率防止灾难性遗忘）。数据分布从一次性产物变成了被主动调节的变量。之后还有 6 个质量维度、14 项确定性检查 + VLM 语义筛查的三级过滤。
控制：整个世界只有 8 个键
ABot-World-0 的动作接口简单得有点反直觉：就是 8 个键。WASD 管移动、IJKL 管转视角，每帧编码成 8 维 multi-hot 向量；因为 VAE 在时间维压缩 4 倍，每 4 帧的动作拼成 32 维 token，正好对齐一个 latent 帧，再经适配器加性注入 patch embedding。
第三人称的身份漂移单独处理：几张参考图编码成"身份记忆" token 拼在序列最前面，给负的时间 RoPE 索引，并且只允许视频 token 注意记忆 token、不允许反向。静态身份和动态轨迹因此被 干净地隔开。
训练：双向教师 → 因果学生 → LongForcing
先训一个双向教师：基于 Wan2.2 全参微调，全时域注意力，画质和动作对齐都最好，但依赖未来帧、没法流式部署。然后三步蒸馏成因果学生：
Teacher Forcing：加因果掩码，历史帧给干净真值，把结构改造成自回归；
ODE 蒸馏：冻住上一步的模型，让学生直接预测其概率流 ODE 的干净终点，多步去噪压成少步；
LongForcing（本文主贡献）：前两步只保证"单步转移准"。但自回归里每一次预测都会改写后续的视觉上下文，训练时见到的状态和长程推理时的状态会持续偏离——这是分布偏移，不是单步精度问题。LongForcing 让学生真的跑长自 rollout，再用一个时域更长的教师在 DMD 阶段做分布级监督，专门覆盖误差已经累积起来的那段状态空间。
系统：少步采样 ≠ 实时交互
这是论文最硬的一个立论，Table 2 把它摊开了：
基线和只换高效注意力核的版本直接 OOM——单独加速一个算子救不了整条流水线。换上从 TAEHV 简化来的轻量解码器 LightVAE 才第一次跑通；再叠 FP8、Fast-RoPE（在局部注意力窗内重锚 RoPE + Triton 核）、MXFP4，一路推到 15.8 FPS。此外还有 FramePack 式的模块按需换入换出、有界局部 KV cache 加缓存量化。
顺带一提：MXFP4 在 Blackwell 上的张量核吞吐是 MXFP8 的两倍，而 MXFP6 与 MXFP8 共用数据通路、没有原始算力增益——这正好解释了表里 MXFP6→MXFP4 那一跳为什么这么明显。
效果
5B 的 ABot-World-0 在多项指标上拿到次优，明显好于 14B 的 LingBot-World 和 8.3B 的 HY-World 1.5。Memory 一列（0.5041）低于 Genie 3 和 HappyOyster——这与它用有界局部 KV cache 的设计取舍是自洽的：牺牲长程记忆换恒定显存。
LongForcing 的 60 秒消融是全文最直接的证据：