给世界模型装上「生成式显卡」!Code World Model 2.0实现30分钟一镜到底

2026.11.18 · 收录日 2026.11.18 · 模型 · 新模型 · 媒体报道

蚂蚁、西湖大学、浙大联合发布CWM 2.0,用代码控制世界、生成模型渲染画面。

蚂蚁集团、西湖大学和浙江大学联合发布 Code World Model 2.0(CWM 2.0),其核心视觉引擎 Invoker-Render 接收结构化 Proxy,将场景布局、物体运动和镜头变化转化为连续高保真画面。团队展示了一段 30 分钟赛车演示,全程无切镜或重置,并开放基于 SGLang 的单机八卡流式推理引擎。

  • Invoker-Render 支持语义图、稀疏三维框、主体掩码、带明暗几何体、三维框与骨架五类 Proxy,统一不同粒度结构控制。
  • 团队构建约 200 小时多粒度对齐数据,其中约 150 小时为自采三维交互和驾驶序列。
  • ProForcing 分三阶段训练:TF+RF 因果适应、RF-DMD+GAN 少步蒸馏、SF-DMD 长序列自生成训练。
  • 140 组流式评测中,Invoker-Render 画面质量、结构与运动、参考外观保持、综合偏好四项 Elo 均第一。
  • 随报告开放基于 SGLang 与 SGLang-Omni 的单机八卡流式推理引擎,含 WebSocket 会话服务与手柄交互前端。

为什么值得看

世界模型从「能生成」走向「可控且长时稳定」的关键一步。

适合谁关注

世界模型、视频生成、具身智能与图形渲染方向的研究者和开发者。

原始来源

查看收录日 2026.11.18 全部卡片 · 全部卡片归档