ABot-World-0：一张5090跑出一个无限交互世界

阿里高德视觉实验室把一个生成式世界模型塞进了一张消费级显卡：RTX 5090上720p、最高16帧、从操作到出第一帧1.2秒延迟、显存峰值约19GiB。你按WASD移动，按IJKL转视角，模型一帧一帧生成你正走过的那个世界，底下没有游戏引擎。小时级甚至天级的连续推演不会崩成一团糊。

值得抄的是训练流程。先用多来源的视频-动作数据训一个双向教师，再通过teacher forcing加ODE压缩做因果蒸馏让它能流式输出，最后一个叫LongForcing的阶段把分布匹配拉到长时程上，专门杀累积漂移。漂移是之前每一个可玩世界模型的死因——第三分钟看起来像第一分钟发的高烧梦。数据三路来：直接走API拿到精确动作标签的3A游戏、虚幻引擎和高斯泼溅重建、以及用姿态估计打伪标签的互联网视频，采集由一个叫WorldExplorer的agent来做，它根据训练反馈调整采集分布，而不是无脑批量爬。

单卡实时不是个建模成果，是个系统工程成果：轻量VAE解码器、FP8量化、SageAttention2算子、显存感知的模块调度，以及一个有界的量化局部上下文KV缓存。最后这个才是几小时推演下来显存不炸的原因。

为什么这该出现在一个讲agent的刊物里：交互式世界模型就是训练环境。具身agent和GUI agent的瓶颈一直是模拟器，而模拟器贵、要手工搭、而且窄。一个能从视频生成出可控且自洽的世界、还跑在研究生自己买得起的硬件上的模型，会改变谁有资格跑重环境的强化学习。HuggingFace papers上165票，当日第一，代码还没放出来。

https://huggingface.co/papers/2607.19191