Recerca
UniWorld: mons en vídeo a tota velocitat, amb lletra petita
Xin Zhang i sis autors més, entre els quals Yabo Chen, van presentar el 23 d'octubre de 2026 UniWorld, un model del món que converteix trajectòries de profunditat i una imatge de referència en vídeo continu. Segons Xin Zhang i els seus coautors, el generador supera els 14 fotogrames per segon, però aquesta xifra només cobreix el tram DiT en vuit GPU H100.
Rep el resum diari d'IA
Cada matí, l'essencial de la intel·ligència artificial al teu correu, sense fum. Al dia amb la IA.
En subscriure-t'hi acceptes rebre el butlletí d'AI Informator. Pots donar-te de baixa quan vulguis.
En resum
- UniWorld fa servir la profunditat com a llenguatge comú perquè un mateix generador treballi amb escenes enregistrades, trajectòries de simuladors i geometria a demanda.
- El sistema reutilitza dos components ja publicats, MiniMax-H3 ControlNet-Union i VDN-H3, sense entrenament conjunt addicional.
- La velocitat que, segons Xin Zhang i els seus coautors, assoleix el generador deixa fora la preparació de la profunditat, les operacions VAE, la validació i la sortida.
- Les proves de 120 segons fan servir vídeos del conjunt d'entrenament, i la part amb PyBullet es limita a tres condicions.
Què és UniWorld
UniWorld és un marc unificat que integra trajectòries de profunditat i una aparença de referència dins d'un mateix model de generació de vídeo. El seu objectiu és la simulació visual contínua: que una escena amb una geometria que evoluciona mantingui una aparença persistent en el temps.
La peça clau és la profunditat alineada amb la imatge. Recull la disposició de l'escena, les oclusions i els canvis geomètrics, mentre que una imatge RGB de referència fixa la textura, el color i l'aspecte. Aquesta separació permet que el mateix generador funcioni amb escenes enregistrades, trajectòries de simuladors i geometria generada a demanda.
L'article, enviat el 23 d'octubre de 2026, el signen Xin Zhang i sis autors més, entre els quals Yabo Chen.
Un vídeo que no reescriu el seu passat
Generar vídeo de manera contínua obliga a treballar per finestres de mostreig finites, i cadascuna ha d'encaixar amb l'anterior. UniWorld manté la història visual i la geomètrica en una mateixa línia temporal: col·loca els latents ja generats al començament de la finestra següent i, en acabar, només consolida el tram nou.
Un estat de profunditat «rodant» conserva la geometria associada al que ja s'ha generat, llegeix només les posicions de profunditat noves i manté fix el condicionament dins de cada finestra. Així, la finestra avança sense reescriure el que ja s'ha consolidat i l'estat actiu de profunditat queda acotat per la mida de la finestra.
Per generar, el sistema combina dos components ja publicats: MiniMax-H3 ControlNet-Union, que condiciona per profunditat, i VDN-H3, un model de 8 passos obtingut per destil·lació DMD. No hi ha entrenament conjunt addicional. Una sortida de 30 segons abasta tres finestres i 720 fotogrames RGB.
La lletra petita de la velocitat
| Resolució (píxels) | Fotogrames nous per segon | Memòria activa de profunditat |
|---|---|---|
| 960 × 544 | 14,472 | 19,05 MiB |
| 672 × 384 | 21,361 | 9,413 MiB |
Segons Xin Zhang i els seus coautors, les finestres de continuació completa superen en les dues resolucions provades l'objectiu de 14 fotogrames nous per segon que ells mateixos fixen. La mesura es va fer en vuit GPU H100.
El cronòmetre suma, en cadascun dels vuit passos per finestra, el temps màxim entre els processos sincronitzats. Xin Zhang i els seus coautors afirmen en el resum que aquest tram, mesurat en règim estable, assoleix un rendiment «en temps real»; la xifra no inclou la resta d'etapes de la generació.
La memòria activa de profunditat tampoc no creix amb la longitud de la trajectòria, segons Xin Zhang i els seus coautors.
Proves llargues, amb matisos
Per al comportament a llarg termini, l'equip va fer servir 17 vídeos de seixanta segons procedents dels conjunts de validació i prova, i tretze proves d'estrès de 120 segons. Aquestes últimes fan servir vídeos del conjunt d'entrenament.
La connexió amb un simulador es va provar en tres condicions procedimentals de PyBullet. Segons Xin Zhang i els seus coautors, la profunditat calculada a demanda i l'emmagatzemada a la memòria cau van donar latents finals idèntics bit a bit en els tres parells.
Conclusió
UniWorld proposa una manera de convertir la geometria d'un simulador o d'una escena enregistrada en vídeo continu amb components ja publicats. Les seves xifres de velocitat, segons Xin Zhang i els seus coautors, compleixen l'objectiu que es van fixar, però es refereixen al tram DiT en vuit GPU H100 i deixen fora passos com la preparació de la profunditat o la sortida.
Fonts primàries
Rep el resum diari d'IA
Cada matí, l'essencial de la intel·ligència artificial al teu correu, sense fum. Al dia amb la IA.
En subscriure-t'hi acceptes rebre el butlletí d'AI Informator. Pots donar-te de baixa quan vulguis.
Comentaris