面向交互式世界的精准编辑与灵活引用
EditWorld是一种用于精准编辑和灵活引用交互式世界的视频世界模型。现有视频世界模型主要侧重导航和探索，而EditWorld能够在自回归生成过程中流式处理编辑指令和参考图像。该模型采用Gated Causal Attention处理随时间变化的编辑条件，并通过Sparse Context机制限制长程推理中的历史上下文。研究团队还构建了专门的数据合成与标注流程，并提出用于系统评估流式世界编辑能力的WBench-Editing基准。根据论文报告的结果，EditWorld取得73.8的总分和80.0的编辑分数，在编辑相关指标上明显优于现有方法。代码已在GitHub上开源。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。