UniWorld: mundos en vídeo a toda prisa, con letra pequeña

Qué es UniWorld

UniWorld es un marco unificado que integra trayectorias de profundidad y una apariencia de referencia dentro de un mismo modelo de generación de vídeo. Su objetivo es la simulación visual continua: que una escena cuya geometría evoluciona mantenga una apariencia persistente en el tiempo.

La pieza clave es la profundidad alineada con la imagen. Recoge la disposición de la escena, las oclusiones y los cambios geométricos, mientras una imagen RGB de referencia fija la textura, el color y el aspecto. Esa separación permite que el mismo generador funcione con escenas grabadas, trayectorias de simuladores y geometría generada bajo demanda.

El artículo, enviado el 23 de octubre de 2026, lo firman Xin Zhang y otros seis autores, entre ellos Yabo Chen.

Un vídeo que no reescribe su pasado

Generar vídeo de forma continua obliga a trabajar por ventanas de muestreo finitas, y cada una debe encajar con la anterior. UniWorld mantiene la historia visual y la geométrica en una misma línea temporal: coloca los latentes ya generados al principio de la ventana siguiente y, al terminar, solo consolida el tramo nuevo.

Un estado de profundidad «rodante» conserva la geometría asociada a lo ya generado, lee solo las posiciones de profundidad nuevas y mantiene fijo el condicionamiento dentro de cada ventana. Así, la ventana avanza sin reescribir lo ya consolidado y el estado activo de profundidad queda acotado por el tamaño de la ventana.

Para generar, el sistema combina dos componentes ya publicados: MiniMax-H3 ControlNet-Union, que condiciona por profundidad, y VDN-H3, un modelo de 8 pasos obtenido por destilación DMD. No hay entrenamiento conjunto adicional. Una salida de 30 segundos abarca tres ventanas y 720 fotogramas RGB.

La letra pequeña de la velocidad

Según Xin Zhang y sus coautores, las ventanas de continuación completa superan en las dos resoluciones probadas el objetivo de 14 fotogramas nuevos por segundo que ellos mismos fijan. La medición se hizo en ocho GPU H100.

El cronómetro suma, en cada uno de los ocho pasos por ventana, el tiempo máximo entre los procesos sincronizados. Xin Zhang y sus coautores afirman en el resumen que ese tramo, medido en régimen estable, alcanza un rendimiento «en tiempo real»; la cifra no incluye el resto de etapas de la generación.

La memoria activa de profundidad tampoco crece con la longitud de la trayectoria, según Xin Zhang y sus coautores.

Pruebas largas, con matices

Para el comportamiento a largo plazo, el equipo usó 17 vídeos de sesenta segundos procedentes de los conjuntos de validación y prueba, y trece pruebas de estrés de 120 segundos. Estas últimas usan vídeos del conjunto de entrenamiento.

La conexión con un simulador se probó en tres condiciones procedimentales de PyBullet. Según Xin Zhang y sus coautores, la profundidad calculada bajo demanda y la almacenada en caché dieron latentes finales idénticos bit a bit en los tres pares.