연구자 8명은 상호작용형 세계 모델이 영상을 원하는 시간 속도로 생성하게 하는 Rate-Adaptive Rollout(RAR) 프레임워크를 제안했습니다. 논문은 10월 12일 공개됐고 10월 15일 Hugging Face에 제출됐습니다. 저자들은 기존 시스템 대부분이 학습과 생성에 하나의 고정 속도를 사용한다고 설명했습니다. 실행 중 생성 속도가 학습된 속도와 다르면 생성된 세계가 너무 느리거나 빠르게 변할 수 있습니다. 고정 속도에서는 더 높은 속도로 세밀한 움직임을 담을수록, 정해진 문맥 창 안에서 표현하는 물리적 시간이 짧아지는 절충도 발생합니다.

RAR은 Stride-RoPE를 사용해 서로 다른 속도로 표본화한 잠재 영상 프레임을 공통의 물리적 시간 좌표에 정렬합니다. 이를 통해 여러 속도에서 일관되게 생성하고, 학습 때 보지 못한 속도로 일반화하며, 생성 도중 과거 정보를 버리지 않고 속도를 바꿀 수 있습니다. 또한 멀티 스트라이드 영상 표본화를 적용해 세밀한 동역학과 더 긴 시간 범위의 변화 양상을 함께 학습합니다.

저자들은 행동과 카메라로 제어하는 환경에서 여러 속도로 생성하거나 생성 중 속도를 바꿔도 RAR이 시간적 일관성을 유지했다고 보고했습니다. 학습 예산을 동일하게 맞췄을 때 높은 생성 속도에서도 품질을 보존하고 물리적 시간 범위를 늘렸다고 밝혔습니다. 사전 학습된 세계 모델로 전이할 때도 지각 품질이 유지됐다고 보고했습니다. Hugging Face 페이지에는 류야오양, 옌둥위, 두이화, 첸성주, 셰쩌커, 왕신, 천잉충, 천룽이 저자로 기재돼 있습니다.

연구자 8명은 상호작용형 세계 모델이 영상을 원하는 시간 속도로 생성하게 하는 Rate-Adaptive Rollout(RAR) 프레임워크를 제안했습니다. 논문은 10월 12일 공개됐고 10월 15일 Hugging Face에 제출됐습니다. 저자들은 기존 시스템 대부분이 학습과 생성에 하나의 고정 속도를 사용한다고 설명했습니다. 실행 중 생성 속도가 학습된 속도와 다르면 생성된 세계가 너무 느리거나 빠르게 변할 수 있습니다. 고정 속도에서는 더 높은 속도로 세밀한 움직임을 담을수록, 정해진 문맥 창 안에서 표현하는 물리적 시간이 짧아지는 절충도 발생합니다.

RAR은 Stride-RoPE를 사용해 서로 다른 속도로 표본화한 잠재 영상 프레임을 공통의 물리적 시간 좌표에 정렬합니다. 이를 통해 여러 속도에서 일관되게 생성하고, 학습 때 보지 못한 속도로 일반화하며, 생성 도중 과거 정보를 버리지 않고 속도를 바꿀 수 있습니다. 또한 멀티 스트라이드 영상 표본화를 적용해 세밀한 동역학과 더 긴 시간 범위의 변화 양상을 함께 학습합니다.

저자들은 행동과 카메라로 제어하는 환경에서 여러 속도로 생성하거나 생성 중 속도를 바꿔도 RAR이 시간적 일관성을 유지했다고 보고했습니다. 학습 예산을 동일하게 맞췄을 때 높은 생성 속도에서도 품질을 보존하고 물리적 시간 범위를 늘렸다고 밝혔습니다. 사전 학습된 세계 모델로 전이할 때도 지각 품질이 유지됐다고 보고했습니다. Hugging Face 페이지에는 류야오양, 옌둥위, 두이화, 첸성주, 셰쩌커, 왕신, 천잉충, 천룽이 저자로 기재돼 있습니다.