知识卡片：SolarWM——面向长时程视频世界模型的开放数据与可扩展训练

英文标题：SolarWM: Open Data and Scalable Training for Long-Horizon Video World Models

英文关键词：Video World Models; Open Data; Scalable Training; Long-Horizon Inference; Backbone-native Adaptation（据摘要提炼）

一句话结论

SolarWM 提出一套从数据处理到长时程推理的“完全开放”框架，用可重构数据引擎将来自 10 个数据集的 143 万个规范片段统一为帧对齐契约，并在保留 Wan2.2、LTX-2.5、MiniMax-H3 各自表征与目标的前提下，通过三阶段统一训练方案得到 4 个 5B–33B 模型；据摘要，这些模型仅用 5 秒序列训练，即可在分钟到小时级的推演（rollout）过程中支持实时交互。

事件概述或研究问题

跨异构数据源和多种视频骨干训练视频世界模型存在挑战：数据集在时长尺度、相机几何、视觉质量、运动模式和描述（caption）风格上差异很大；不同视频生成器又使用不同的表征与架构。简单混合数据、为某个模型单独定制实现，会造成监督不一致，也让结果难以复现和比较。SolarWM 的核心问题是把“数据源”与“模型实现”之间的耦合关系拆解开，建立一个可复现、可扩展的交互式世界模型训练基础。

方法/产品要点

可重构多源数据引擎：将来自 10 个数据集的 143 万个规范片段（canonical clips）转换为统一的帧对齐契约，内容包括视觉观测、度量相机几何、字幕、质量元数据、选择决策和溯源信息；同时把源数据处理与数据混合（mixture）构建解耦。
骨干原生适配框架：在共享的相机条件、训练与推理接口下，基于 Wan2.2、LTX-2.5、MiniMax-H3 实例化 4 个模型（规模 5B–33B），同时保留这些视频骨干原有的表征和训练目标。
统一三阶段训练方案：结合双向适配（bidirectional adaptation）、教师强制自回归初始化（teacher-forced autoregressive initialization）和分布匹配蒸馏（distribution matching distillation），得到因果模型。
开放发布：发布数据、pipeline、训练配方、权重和框架，作为可复现、可扩展的交互式世界模型研究基础。

以上技术细节均来自摘要原文，未提供更展开说明。

主要结果或产业意义

主要结果：据摘要，最终得到的因果模型在只用 5 秒视频序列训练的情况下，能够支撑分钟到小时级的长推演，并支持实时交互。
产业意义：该工作把交互式视频世界模型所需的数据处理、骨干适配、训练配方与推理接口整体开放，降低复现和二次开发门槛。具体商业应用效果未在摘要中展开。

为什么重要

SolarWM 不是单点算法贡献，而是把“数据—适配—训练—推理”做成了一套可复现的系统级基础设施。此前很多视频世界模型工作使用内部数据或定制代码，难以相互比较；SolarWM 通过开放数据和统一接口，为后续方法提供了公共底座。

在已有相关卡片脉络中，Cycle-World 侧重通过时间反向预测与循环一致性约束来缓解长期误差累积；SolarWM 则在更上游处理多源数据契约和多骨干适配问题。两条思路可以互补，SolarWM 可视为误差累积缓解等后续模块的共同基础（此句为基于研究脉络的推断）。

局限与不确定性

以下信息在摘要层面无法确认，均待核实：

10 个数据集的具体名称、来源许可、筛选和审核流程。
“canonical clip”的选取标准，以及“帧对齐契约”的具体数据结构和标注生成方式。
分钟到小时级 rollout 的最大长度、视频分辨率、帧率，以及“实时交互”的具体延迟或帧率指标。
4 个模型各自对应的骨干、参数量与训练计算量。
三阶段方案中各阶段的效果消融，以及与 Cycle-World 等已有方法的定量对比结果。

可用于图书/PPT/简报的角度

作为“开放基础设施如何推动视频世界模型从单点算法走向可复现研究”的案例。
用来说明多源数据处理与多骨干适配在生成模型训练中的系统性价值。
可从“同一个数据引擎 + 不同视频骨干 = 可比较的世界模型”切入，展示模块化解耦带来的研究效率提升。

原始材料

英文标题与摘要：SolarWM: Open Data and Scalable Training for Long-Horizon Video World Models
arXiv ID：2609.02886v1
类别：cs.CV
URL：https://arxiv.org/abs/2609.02886v1