研究｜AlayaWorld v1.1：流式三维点缓存强化长程世界建模

交互式世界模型要「玩得久」，条件信号若与生成内容在表征与时间结构上对不齐，画面就会在长程中漂掉——像导航地图与实景道路各说各话。

AlayaWorld团队在arXiv发布技术报告《AlayaWorld: Interactive Long-Horizon World Modeling - Full Technical Report (v1.1)》（arXiv:2608.13492）。所谓世界模型，白话是让系统在可交互环境里持续预测「下一步画面/状态会怎样」；所谓长程，白话是交互不是两三秒演示，而是较长时间窗口内仍保持空间与时间一致性。摘要写明：主干架构、分块自回归生成方案与训练数据相对前版未变，但大幅修订条件信号的表示与注入方式，原则是条件应在潜表征与时间结构上尽量贴近生成内容。

两项主要改动：以流式三维点缓存渲染器替换此前基于深度变形的空间记忆；将视觉条件编码进与生成视频一致的因果VAE潜空间，并对齐时间统计。所谓点缓存，白话是把空间记忆存成可流式更新的三维点表示再渲染回条件，而不是靠深度图硬拧视角；所谓因果VAE，白话是编解码遵守时间因果，避免「偷看未来帧」造成训练与推理不一致。

报告列出的六项具体修改：

1. 用运动感知潜条件替换静态帧图像条件。
2. 将重渲染的空间记忆按因果方式编码为连续序列。
3. 在像素空间对齐时间记忆窗口。
4. 采用硬记忆丢弃（直接移除记忆token，而非置零）。
5. 统一训练与推理的VAE编解码协议。
6. 移除相机AdaLN分支，视点控制完全由重渲染空间条件提供。

对具身与视频生成方向，这是把「长程一致性」从口号落成可复现的工程清单：改的不是又堆一层参数，而是条件如何与生成对齐。对做交互演示与仿真的团队，点缓存 + 统一VAE协议，指向的是「记得住空间、跟得上时间」的运维级问题，而不只是单帧画质。

需要把边界读清楚。论文结果以作者实验设置为准，跨数据与跨任务泛化仍待社区复现；技术报告不等于产品可用SDK。下一观察点是是否开放权重或交互演示，以及与其他世界模型在长程指标上的对照——改条件管道是否真能换来更稳的长时间交互，要用公开评测说话。