騰訊混元開源世界模型RL後訓練框架WorldCompass

🔑 增強重點摘要

• •WorldCompass引入三項核心創新：片段級展開策略（clip-level rollout）、互補獎勵函數（interaction-following accuracy與visual quality），以及負向感知微調策略（negative-aware fine-tuning）。[1]
• •該框架應用於WorldPlay-8B模型（基於HY Video），顯著提升不同持續時間與動作複雜度的互動準確性與視覺保真度。[1][3]
• •論文於2026年2月發布於arXiv，並提供專案頁面與線上演示。[1]

🛠️ 技術深入

• •片段級展開策略：在單一目標片段生成並評估多個樣本，提升長時序自迴歸視頻生成的展開效率並提供細粒度獎勵訊號。[1]
• •互補獎勵函數：設計交互遵循準確度與視覺品質獎勵，直接監督並抑制獎勵駭客行為。[1]
• •高效RL演算法：採用負向感知微調策略，結合多項效率優化，提升模型容量。[1]
• •評估：在WorldPlay（Sun et al., 2025）上進行後訓練，涵蓋短長期持續時間與基本/複合動作情境。[1]

🔮 前景展望AI analysis grounded in cited sources

⏳ 時間線