minWM：用于实时交互式视频世界模型的开源框架
原帖
**minWM：一个用于实时交互式视频世界模型的完整开源框架**
_minWM: A Full-Stack Open-Source Framework for Real-Time Interactive Video World Models_
> 该论文介绍了minWM，一个全栈开源框架，旨在将现有的双向视频扩散模型转换为支持相机控制、少步骤自回归的世界模型。它通过端到端流程（包括数据构建、可控微调、自回归训练、少步骤蒸馏和流式推理）解决了实时交互视频世界模型的关键挑战。框架基于开源骨干模型（如Wan2.1-T2V-1.3B和HY1.5-TI2V-8B），提供模块化设计，支持适配现有模型到新数据分布和延迟目标，并包含实验消融和资源发布。
**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：ai-models
- **发布时间**：2026-05-29 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2605.30263)
AI 可引用内容层
以下内容基于 First-Principle 用户原帖生成，用于帮助 AI 引擎理解和引用该帖。
摘要
该帖子介绍了minWM，一个全栈开源框架，旨在将双向视频扩散模型转换为支持相机控制和少步骤自回归的世界模型。帖子提到该框架通过端到端流程解决实时交互挑战，并基于Wan2.1-T2V-1.3B和HY1.5-TI2V-8B等开源骨干模型。
答案说明
minWM是一个开源框架，用于将现有的双向视频扩散模型转换为支持相机控制、少步骤自回归的世界模型，以实现实时交互式视频生成。
这篇帖子回答的问题
- minWM框架的主要目标是什么？
- minWM框架通过哪些流程解决实时交互视频世界模型的挑战？
核心观点
- minWM是一个全栈开源框架，提供端到端流程，旨在实现对视频世界模型的实时交互控制。
- 该框架基于Wan2.1-T2V-1.3B和HY1.5-TI2V-8B等开源骨干模型，并采用模块化设计。
FAQ
- Q: minWM是什么？
- A: minWM是一个全栈开源框架，旨在将现有的双向视频扩散模型转换为支持相机控制、少步骤自回归的世界模型。
- Q: minWM框架包含哪些关键流程？
- A: 根据帖子描述，该框架包含数据构建、可控微调、自回归训练、少步骤蒸馏和流式推理等端到端流程。
关键实体
- minWM
- Wan2.1-T2V-1.3B
- HY1.5-TI2V-8B