导读

一张图像，能否成为一个可以走进去、持续探索的世界？当用户向前移动、转身观察，人工智能需要实时生成新的画面，还要让刚刚经过的环境自然延续。然而，高清画质、实时控制响应与长程稳定性——这三者同时达标，长期以来都是交互式世界模型难以翻越的核心挑战。

近日，深圳河套学院与香港中文大学（深圳）、新加坡国立大学等机构的联合团队，正式发布SolarWM-H3。2026年9月13日，团队开放了这一全球首个基于国产先进视频基座MiniMax-H3的流式少步交互世界模型，打通从三阶段训练到连续交互推理的完整流程。

此次升级以330亿参数模型为基础，实现原生768P画面生成与4步推理，在游戏场景中展现出强劲的零样本泛化能力，并在*Orbia*和SANA-Bench公开评测榜单中分别取得综合排名第一。我们同步开放的，不只是训练与推理代码、各阶段权重及工业级配套数据，更是一套让更多团队能够复现成果、继续训练并探索新应用的开放研究底座。

SolarWM主宣传片
展示项目整体能力与多场景交互效果

01 四步推理让高清世界持续响应

如果说传统视频生成像“先写好整本剧本再一口气拍完”，那么交互式世界模型就像一位实时跟拍的导演：你每向前一步、每转一次身，画面都要接着演下去。普通视频生成通常先确定内容，再等待完整片段生成；交互式世界模型则需要在生成过程中不断接收新的操作，并据此改变接下来的画面。用户临时转向时，模型既要跟上操作，也要接住已有场景，持续生成合理的空间变化。

流式自回归（Streaming Autoregression）：让大模型学会“边生成、边接住世界”。 SolarWM-H3采用流式自回归方式：根据已经生成的历史和当前控制输入，逐块预测后续画面，再把新画面接入下一轮生成。每个生成块仅需4步采样，使大型视频基座能够服务于连续交互。原生768P分辨率则为建筑、植被和人物等内容保留了更丰富的视觉细节。

相较早期SolarWM-5B版本，H3路线在团队测试中实现了从“能生成”到“可控地持续生成”的跨越，展现出更强的相机控制与画面表现。项目演示覆盖多种场景下的前进、转向和视角切换，呈现出国产视频基座向可交互数字环境延伸的能力。

02 从一张游戏画面开始自由探索

在最新游戏演示中，玩家可以穿过积雪覆盖的山林，沿水边栈道前进，也可以走进风格鲜明的街巷与庭院。随着操作改变，角色和视角继续运动，原图之外的区域逐步展开。生成式模型正在赋予静态游戏画面新的探索空间。

这些案例展示了SolarWM-H3的跨游戏零样本交互能力：团队无需针对演示中的每款游戏分别进行专门微调，就能让同一模型从熟悉的场景“迁移”到陌生的视觉环境。模型对世界变化的预测能够跨越游戏边界，是这组演示最值得关注的进展。

SolarWM-H3零样本游戏交互
同一模型探索多种游戏风格与场景

对游戏开发与内容创作而言，这为场景原型验证、交互概念演示*和*个性化世界探索提供了新的方法。创作者可以从一张设定图出发，通过连续操作体验空间变化，更快地检验画面风格与探索体验，也为后续玩法与任务系统开发提供基础。

03 Orbia与SANA-Bench综合排名双第一

可探索的世界，需要经得起“走出去，再回来”的检验。Orbia围绕这一问题构建720个评测案例，覆盖6类探索与重访路径，包含480个短程案例和240个分钟级扩展案例，考察模型能否保留输入场景、记住新生成的内容，并维持跨视角的三维一致性。

截至2026年10月9日，SolarWM-H3以76.32分位列Orbia公开榜单综合第一，领先于当前收录的其余26个世界模型与视频生成模型。在六项评测维度中，生成内容持久性和时序稳定性分别取得70.28分、84.05分，均排名第一；控制对齐取得79.93分，排名第二。

如果说Orbia考察的是“走出去还能不能回来”，那么SANA-Bench关注的便是“长时间里画面会不会悄悄变差”。根据团队最新评测，SolarWM-H3在SANA-Bench中同样取得综合排名第一，该基准聚焦分钟级生成中的视觉质量、重访一致性、相机控制与时序退化，与Orbia形成互补。双基准综合第一，为模型的持续交互能力提供了量化依据：模型既需要按要求移动和转向，也需要在探索后重访时延续已生成的环境，并在时间推移中保持表现。

Orbia公开榜单结果  数据截至2026年10月9日
来源：orbia-bench.github.io  完整评测含27个模型

04 三阶段训练释放国产视频基座潜力

让先进视频模型具备实时交互能力，需要改变它使用历史、接收控制与预测未来的方式。团队将这一过程组织为三个相互衔接的阶段，并在H3路线中完整开放。

Stage0.5学习相机控制。模型在保留视频生成能力的同时，建立相机运动与画面变化之间的联系，为受控生成打下基础。

Stage1学习依据历史预测后续。训练从完整片段转向因果生成，让模型根据已有画面预测新片段，并为少步推理做好准备。

Stage2学习在自己的生成结果上持续前进。模型使用自身滚动生成的历史进行训练，通过分布匹配蒸馏提升少步生成质量，缩小训练条件与实际交互之间的“知行差距”。最终形成支持4步采样的流式自回归模型。

公开每个阶段的代码和权重，使研究者能够复现完整训练路线，也能选取一个阶段继续改进。

05 开放工业级数据体系支撑社区创新

世界模型的持续改进，离不开高质量数据这一“燃料”。SolarWM构建了覆盖约143万个视频片段、25TB量级语料的数据体系，将视频、相机轨迹、场景描述与质量记录统一组织，并提供可调整的筛选规则和训练配方。真实场景、合成环境与游戏内容由此能够进入同一研究流程。

此次H3发布进一步提供配套预编码训练数据。研究者可以直接使用处理后的表示开展相应训练，减少重复的视频编码工作，把更多精力用于模型与方法创新。数据处理工具、标注和配方也同步开放，支持社区重新筛选样本、调整来源比例并构建新实验。

截至2026年10月9日，SolarWM-Data已吸引包括牛津大学、清华大学、卡内基梅隆大学、北京大学、帝国理工学院、新加坡国立大学、香港大学、布朗大学、得克萨斯大学奥斯汀分校、加州大学圣迭戈分校、南洋理工大学、中国科学技术大学、浙江大学、上海交通大学和复旦大学等90所国内外知名大学以及 NVIDIA、Adobe、百度、美团、Shopee、地平线机器人、贝壳、中国移动、HiDream和 YoRoll等科技企业的下载申请。Huggingface和Modelscope数据下载量超过100万。

对深圳河套学院与合作团队而言，SolarWM-H3的价值不只是推动国产先进视频基座走向持续、可控的世界生成，更是把实现这一能力的方法交到社区手中。从生成式游戏到交互内容创作，从数据研究到训练方法改进，更多团队可以基于公开成果继续探索，让世界模型在真实使用与共同研究中不断进步。

项目资源

项目主页：

https://junchao-cs.github.io/SolarWM-Web/ 

开源代码：

https://github.com/Junchao-cs/SolarWM

H3模型权重：

https://huggingface.co/junchaoh-cs/SolarWM-H3-33B

预编码数据：

https://github.com/Junchao-cs/SolarWM/blob/main/docs/latent-wds.md

论文：

https://arxiv.org/abs/2609.02886

Orbia评测榜单：

https://orbia-bench.github.io/

联合研究团队与论文信息

联合团队：深圳河套学院、香港中文大学（深圳）、新加坡国立大学、香港中文大学、香港科技大学、香港科技大学（广州）、英伟达、加利福尼亚大学洛杉矶分校、微软亚洲研究院

论文：SolarWM: Open Data and Scalable Training for Long-Horizon Video World Models

论文作者：Junchao Huang, Guian Fang, Shengju Qian, Xianghao Kong, Zhuoran Zhao, Wei Huang, Yihua Du, Zixin Zhang, Justin Cui, Yuchao Gu, Yukang Chen, Xinting Hu, Tianyu He, Shaoshuai Shi, Zhuotao Tian, Xin Wang, Mike Zheng Shou, Li Jiang

通讯作者：Li Jiang

arXiv：https://arxiv.org/abs/2609.02886

展望

SolarWM-H3只是起点。

下一步，团队将持续打磨长程记忆与更精细的物理一致性，并把交互世界模型推向机器人仿真、虚拟拍摄与数字孪生等真实场景。

关于“可走进的世界”的下一章，正在共同书写。所有代码、权重与数据入口均已公开，欢迎研究者复现、改进并共建交互世界模型生态。