Zing-0.5: リアルタイムな操作とテキスト制御で遊べる世界生成へ

- Zing-0.5は、5Bのautoregressive world modelであり、ユーザーが生成された世界を探索し、出来事に影響を与え、キーボードとオンラインテキスト制御を通じてフィードバックに応答できるplayabilityを目指す。 - 832 x 480の解像度で24 FPSのリアルタイム推論を、ストリーム分あたり約0.009 USDのサーバーレンタルコストで実現する。 - モデル重み、推論コード、Zing-SGLang serving実装を公開し、playable generated worldsの研究を支援する。

- 先行研究と比べて、unified action and text conditioning、event-scale supervision、low-cost real-time interactionの3つの技術的貢献を統合している点がすごい。 - 特に、joint keyboard and online text controlを可能にし、ナビゲーションとイベント制御を同一シーケンスで学習する点が新しい。 - リアルタイム性能と低コストを両立し、158 WBench Navigationケースでoverall score 81.0、consistency score 88.5を達成。

- 技術の肝は3点：(1) Unified action and text conditioning：magnitude-aware keyboard inputsとtemporally aligned text instructions、jointly annotated videosを組み合わせ、ナビゲーションとイベント制御を同一シーケンスで学習。 - (2) Event-scale supervision for incremental generation：connected multi-prompt videosで訓練されたsegment-level teacherが、block-level causal studentをdistribution-matching distillationで監督。 - (3) Low-cost real-time interaction：four-step generationとcontext-preserving streamingを組み合わせ、832 x 480で24 FPSを実現。

- 158 WBench Navigationケースで評価し、overall score 81.0、consistency score 88.5を達成。 - joint-control demonstrationで、生成を再起動せずにナビゲーション継続中にテキスト指示によるイベント変更を示した。 - リアルタイム推論性能（24 FPS）とコスト（約0.009 USD/stream-minute）を推定。

- 要旨からは、限界や議論点についての明示的な記述はない。 - ただし、playable generated worldsの実現に向けた技術的貢献と評価結果が示されており、今後の課題は要旨からは不明。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として、autoregressive world models、distribution-matching distillation、WBench Navigationが挙げられる。 - 同分野の定番として、World Models、Dreamer、Genieなどの一般名が考えられるが、要旨に直接の参照はない。